Real time activity monitoring

Abstract

Aktivite takip sistemleri (ATS), kişilerin aktivitelerinin tespitinden sorumludur. ATS'nin etkinliği, gerçek zamanlı çalışabilmesine ve kesintisiz şekilde akan aktivite verisini bölümlendirerek her bölümün hangi aktiviteye karşılık geldiğini belirleyebilmesine bağlıdır. Bu tez kapsamında, RT-CAM olarak adlandırılan, Destek Vektör Makinaları tabanlı bir gerçek zamanlı kesintisiz aktivite takibi sistemi önerilmiştir. Aktiviteler, basit ve bileşik hareketler olarak modellenmekte; basit hareketler, anlamlı daha küçük hareketlere bölünemeyen aktiviteler olmak üzere, bileşik hareketler basit hareketlerin kombinasyonlarından oluşmaktadır. Önerdiğimiz model, basit ve bileşik hareketleri gerçek zamanlı olarak tespit etmekte, günlük hayata müdahale etmeyen bir çözüm sunmak için verileri tek bir 3B ivmeölçer ile toplamaktadır. Yöntemimizi, elin baskın olduğu basit hareketler olan ye, dök, iç, dişFırçala ve anahtarÇevir aktivitelerinden oluşan veri kümesi üzerinde, bilgisayar tarafından üretilmiş yapay verilerle değil, insan deneklerle yapılmış gerçek testlerle doğruladık. Seçilmiş aktivitelerin, birbirine oldukça benzer modeller ürettiği halde, gerçek zamanlı olarak ayırt edilebildiğini gösterdik. Önerdiğimiz yöntemin gücü ve yeniliği, sistemimizin, hareketler arası geçişlerin modellerini tutmayı gerektirmemesinden ve bu geçişlerin tespitine tahsis edilmiş bir algoritma çalıştırmamasından kaynaklanmaktadır. 4 farklı denek üzerinde yaptığımız deneylerde elde ettiğimiz en başarılı sonuçlar aşağıda belirtilmektedir: İntra-kişisel testlerde, dişFırçala, iç, iç_dişFırçala, dişFırçala_iç ve dişFırçala_dök 100% başarıyla; iç_dişFırçala_dök ve dişFırçala_iç_dök_anahtarÇevir ise sırasıyla 80% ve 70% başarıyla yakalanmıştır. İnter-kişisel testlerde, dişFırçala, iç ve dök 100% başarıyla, iç_dişFırçala, iç_dişFırçala_dök ve iç_dişFırçala_anahtarÇevir ise 80% başarıyla tespit edilmiştir. RT-CAM'in gerçek zamanlı işletime getirdiği ek yük 0.055 saniyedir ve bu sonuç literatürde ulaşılmış en iyi sonuçtan daha başarılıdır. Tüm bu özellikleri göz önünde bulundurulduğunda, RT-CAM, gerçek zamanlı kesintisiz aktivite takibinde uygulanabilecek bir çözümdür.

Activity monitoring systems (AMS) are responsible for detecting actions performed by humans. For AMS to be effectively deployed in daily life, they should be operating in real-time and partition the continuously streaming activity data to determine what activity corresponds to each partition. In this thesis, a Support Vector Machine based real time continuous activity monitoring system, named RT-CAM, is proposed. We approach continuous activity detection problem by modelling the activities as simple and composite actions. Simple actions being the smallest meaningful actions which can not be further divided into smaller logical actions whereas composite actions are combinations of simple actions. The proposed model detects simple and composite activities in real time, collecting the data with a single 3D accelerometer to produce a non-invasive solution. We verified our model on hand oriented set of simple actions eat, pour, drink, toothBrush and turnKey, with real data acquired from human subjects instead of computer generated synthetic data. We showed that the selected activities can be distinguished in real time though they generate quite similar patterns to each other. The strength and novelty of the proposed model lies in the fact that the system does not necessitate being trained with patterns of transitions and does not run a dedicated algorithm for transition detection. We carried out experiments on 4 different subjects and present our best achieved results. Intra-person test results are the following: ToothBrush, drink, drink_toothBrush, toothBrush_drink and toothBrush_pour are recognized with 100% accuracy. Drink_toothBrush_pour and toothBrush_drink_pour_turnKey are detected with 80% and 70% accuracy respectively. Inter-person test results are the following: ToothBrush, drink and pour are detected with 100% accuracy. Drink_toothBrush, drink_toothBrush_pour and drink_toothBrush_turnKey are recognized with 80% accuracy. Real time overhead introduced by RT-CAM is 0.055 seconds, which is better than best achieved result in the literature. Considering all these features, RT-CAM is an applicable solution in real time continuous activity monitoring.