Please use this identifier to cite or link to this item:
https://olympias.lib.uoi.gr/jspui/handle/123456789/30725Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.author | Παππά, Λαμπρινή | el |
| dc.date.accessioned | 2021-04-01T06:40:35Z | - |
| dc.date.available | 2021-04-01T06:40:35Z | - |
| dc.identifier.uri | https://olympias.lib.uoi.gr/jspui/handle/123456789/30725 | - |
| dc.identifier.uri | http://dx.doi.org/10.26268/heal.uoi.10565 | - |
| dc.rights | Attribution-NonCommercial-NoDerivs 3.0 United States | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/us/ | * |
| dc.subject | Μηχανική μάθηση | el |
| dc.subject | Σήματα | el |
| dc.subject | Ανθρώπινη δραστηριότητα | el |
| dc.title | Μελέτη, σχεδίαση και εφαρμογή τεχνικών μηχανικής μάθησης για ανάλυση σημάτων για την παρακολούθηση της ανθρώπινης δραστηριότητας | el |
| dc.title | Sudy, design and application of machine learnihg techniques for biosignal analysis for human activity monitoring | en |
| heal.type | masterThesis | - |
| heal.type.en | Master thesis | en |
| heal.type.el | Μεταπτυχιακή εργασία | el |
| heal.classification | Μηχανική μάθηση - Τεχνικές | - |
| heal.classification | Ανάλυση σημάτων | - |
| heal.dateAvailable | 2021-04-01T06:41:36Z | - |
| heal.language | el | - |
| heal.access | free | - |
| heal.recordProvider | Πανεπιστήμιο Ιωαννίνων. Σχολή Πληροφορικής & Τηλεπικοινωνιών. Τμήμα Πληροφορικής & Τηλεπικοινωνιών | el |
| heal.publicationDate | 2021 | - |
| heal.bibliographicCitation | Παππά, Λ.,2020. Μελέτη, σχεδίαση και εφαρμογή τεχνικών μηχανικής μάθησης για ανάλυση σημάτων για την παρακολούθηση της ανθρώπινης δραστηριότητας. Μεταπτυχιακή εργασία. Άρτα: Πανεπιστήμιο Ιωαννίνων. Σχολή Πληροφορικής & Τηλεπικοινωνιών. Τμήμα Πληροφορικής & Τηλεπικοινωνιών | el |
| heal.abstract | Η αυτοματοποιημένη αναγνώριση της ανθρώπινης δραστηριότητας αποτελεί ένα ταχέως εξελισσόμενο ερευνητικό πεδίο, που έχει συγκεντρώσει το ενδιαφέρον της επιστημονικής κοινότητας, έχει σημαντικά ερευνητικά αποτελέσματα και έχει οδηγήσει σε πλήθος εφαρμογών, που στοχεύει στον εντοπισμό, παρακολούθηση και ανίχνευση των επιτελούμενων σωματικών ενεργειών ενός ανθρώπου. Πρόκειται ουσιαστικά για καταγραφή και κατ’ επέκταση μοντελοποίηση των κινήσεων και της συμπεριφοράς ενός ανθρώπου και μελετάται η επίδρασή τους στις σωματικές μετρήσεις (Καρδιακός Ρυθμός κ.α.) λαμβάνοντας υπόψιν ένα σύνολο παρατηρήσεων. Σήμερα, με την εξέλιξη της τεχνολογίας και τις νέες γενιές αισθητήρων για τη λήψη βιο-σημάτων, είναι εύκολη η καταγραφή τους και είναι εφικτό να σχεδιαστούν προηγμένα μοντέλα μηχανικής μάθησης που λαμβάνουν ως είσοδο τις μετρήσεις των αισθητήρων και μπορούν να αναγνωρίσουν την ανθρώπινη δραστηριότητα και να εκτιμήσουν την κατάσταση της υγείας του ανθρώπου και εξάγουν αυτοματοποιημένα συμπεράσματα και προειδοποιήσεις. Στην παρούσα εργασία, πραγματοποιήθηκε εκτεταμένη βιβλιογραφική ανασκόπηση των διαφορετικών προσεγγίσεων μηχανικής μάθησης που χρησιμοποιούνται σε προβλήματα αναγνώρισης ανθρώπινης δραστηριότητας. Τα μοντέλα μηχανικής μάθησης βασισμένα σε συμβολικές αναπαραστάσεις παρουσιάζουν μεγάλο ερευνητικό ενδιαφέρον, ενώ δύνανται να υπερκεράσουν εγγενείς αδυναμίες των κλασικών μοντέλων μηχανικής μάθησης καθώς και των μοντέλων βαθιάς μάθησης. Προς τούτο, επιλέχθηκε προς περαιτέρω μελέτη, διερεύνηση, επέκταση, προσαρμογή και εφαρμογή μια τέτοια μεθοδολογία, βασισμένη στη μέθοδο της Συμβολικής Συναθροιστικής Προσέγγισης (Symbolic Aggregate Approximation – SAX), λόγω των πλεονεκτημάτων που παρουσιάζει. Η συγκεκριμένη μεθοδολογία προσαρμόστηκε, εφαρμόσθηκε και δοκιμάστηκε σε σήματα προερχόμενα από αισθητήρες (επιταχυνσιόμετρο και γυροσκόπιο) που μετρούν την ανθρώπινη δραστηριότητα. Η ερευνητική συνεισφορά της εργασίας έγκειται στην τροποποίηση, προσαρμογή και εξέλιξη της μεθοδολογίας SAX, ώστε να δύναται να χειριστεί αποδοτικότερα σήματα που αποτελούνται από περισσότερα του ενός κανάλια πληροφορίας, όπως το επιταχυνσιόμετρο (που καταγράφει ταυτόχρονα 3 σήματα). Οπότε, πραγματοποιήθηκε εισαγωγή και περιγραφή της καινοτόμου μεθοδολογίας: «Πολυκαναλικά Έξυπνα Εικονίδια Συμβολικής Συναθροιστικής Προσέγγισης» (Multichannel Symbolic Aggregate Approximation Intelligent Icons) και ακολούθησε ο σχεδιασμός και η υλοποίηση ενός μοντέλου μηχανικής μάθησης και η εφαρμογή του για την αναγνώριση οκτώ ανθρώπινων δραστηριοτήτων με αξιοποίηση των μετρήσεων από το επιταχυνσιόμετρο και γυροσκόπιο. Ο αλγόριθμος ταξινόμησης που χρησιμοποιήθηκε είναι ο ταξινομητής 1-πλησιέστερου γείτονα, ενώ η ικανότητα ορθής πρόβλεψης του προτεινόμενου μοντέλου είναι ιδιαιτέρως υψηλή. Για λόγους σύγκρισης, υλοποιήσαμε και εφαρμόσαμε στο ίδιο σύνολο δεδομένων, άλλα δύο μοντέλα μηχανικής μάθησης (ένα κλασικό και ένα βασισμένο στη μέθοδο SAX), με χρήση του ίδιου αλγορίθμου ταξινόμησης. Με βάση τα αποτελέσματα διαπιστώθηκε ότι η προτεινόμενη μέθοδος ξεπερνάει τις άλλες δύο σε οποιαδήποτε σύγκριση. | el |
| heal.abstract | Automated recognition of human activity is a rapidly evolving field of research, which has attracted the interest of the scientific community It has significant research results and has led to several applications aiming at monitoring and detecting the physical actions of a person. It is essentially the recording, and consequently, the modeling of a person's movements and behavior, while their effect on physical measurements (Heart Rate, etc.) is studied taking into account a set of observations. Today, with the development of technology and new generations of sensors for receiving bio-signals, it is easy to record them and it is possible to design advanced machine learning models that take sensor measurements as input and can recognize human activity and assess the state of human health and draw automated conclusions and warnings. In the present work, an extensive literature review of the different machine learning approaches used in human activity identification problems was performed. Machine learning models based on symbolic representations are of great research interest, while they can overcome the inherent weaknesses of the classic machine learning models as well as the deep learning models. To this end, such a methodology, based on the method of Symbolic Aggregate Approximation (SAX), was selected for further study, investigation, extension, adaptation, and application, due to its advantages. This methodology was adapted, applied, and tested on signals from sensors (accelerometer and gyroscope) that measure the human activity. The research contribution of the work lies in the modification, adaptation, and evolution of the SAX methodology so that it can more efficiently handle signals consisting of more than one information channel, such as the accelerometer (which records 3 signals simultaneously). Thus, the innovative methodology "Multichannel Symbolic Aggregate Approximation Intelligent Icons" was introduced and described, followed by the design and implementation of a machine learning model that was applied for the recognition of eight activities utilizing the measurements of an accelerometer and a gyroscope. The classification algorithm used is the 1-Nearest Neighbor classifier, while the model’s prediction ability appeared to be particularly high. For comparison reasons, we implemented and applied to the same dataset, two other machine learning models (one classic and one based on the SAX method), using the same classification algorithm. Based on the results, it was found that our method surpasses the other two in any comparison | en |
| heal.advisorName | Στύλιος, Χρυσόστομος | el |
| heal.committeeMemberName | Γκόγκος, Χρήστος | el |
| heal.committeeMemberName | Τζάλλας, Αλέξανδρος | el |
| heal.academicPublisher | Σχολή Πληροφορικής & Τηλεπικοινωνιών. Τμήμα Πληροφορικής & Τηλεπικοινωνιών | el |
| heal.academicPublisherID | uoi | - |
| heal.numberOfPages | 96 | - |
| heal.fullTextAvailability | true | - |
| Appears in Collections: | Διατριβές Μεταπτυχιακής Έρευνας (Masters) - ΠΤΠ | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| Μ.Ε ΠΑΠΠΑ ΛΑΜΠΡΙΝΗ - 2021.pdf | 3.77 MB | Adobe PDF | View/Open |
This item is licensed under a Creative Commons License
