A detailed analysis of human activity recognition using smartphone motion sensors

Abstract

Akıllı telefonlarda bulunan hareket sensörleri, insan faaliyetlerini tanımayı mümkün kılmaktadır. İvmeölçer, jiroskop, manyetometre ve bunların çeşitli kombinasyonları, yürümekten bisiklete binmeye kadar uzanan özellikle harekete bağlı etkinlikleri sınıflandırmak için kullanılır. Literatürdeki çalışmaların çoğunda, veri toplama ve farklı parametrelerin tanıma performansı üzerindeki etkisini analiz etme üzerine odaklanılmaktadır. Parametre alanı kullanılan sensör tiplerini, veri ön işleme yöntemlerini, öznitelikleri, sınıflandırma algoritmalarını, mobil cihazın konumunu / yönelişini içerir. Çalışmaların çoğunda bu parametrelerin bazılarının etkisi incelenmiştir, ancak bu tezde parametre alanını ayrıntılı olarak araştırıyoruz. Özellikle, ön işlem aşamasındaki öznitelik normalizasyonunun, farklı öznitelik kümelerinin kullanılmasının etkisi, farklı sensörleri tek tek ve birlikte kullanmanın etkisi, farklı sınıflandırıcıların etkisi ve telefon konumunun etkisi incelenmektedir. İlk önce, öznitelik ve sensör parametre alanını detaylı olarak inceledik ve her parametrenin sınıflandırma sonuçlarına olan etkisini araştırmak için bir ANOVA analizi uyguladık. Böyle bir analizin önemli olduğuna inanıyoruz, çünkü böylelikle bir parametrenin tanıma performansını ne kadar etkilediğini istatistiksel olarak gösterebiliyoruz. Ayrıca, öznitelik seçimi uyguluyor ve beş farklı telefon pozisyonunu göz önünde bulundurarak analiz yapıyoruz.

Motion sensors available on smart phones make it possible to recognize human activities. Accelerometer, gyroscope, magnetometer and their various combinations are used to classify particularly locomotion activities, ranging from walking to biking. In the literature, the focus is on the collection of data and analyzing the impact of different parameters on the recognition performance. Parameter space includes the types of sensors used, data preprocessing methods, features, classification algorithms, position/orientation of the mobile device. In the literature, only a subset of these parameters are analyzed, however, in this thesis, we investigate the parameter space in detail. Particularly, we investigate the impact of feature normalization in the preprocessing step, impact of using different feature-sets, impact of using different sensors individually and in combination, impact of different classifiers and impact of phone position. First, we explore the feature and sensor parameter space in detail and next we apply an ANOVA analysis to investigate the impact of each parameter on the classification results. We believe that such an analysis is important since we can statistically show how much a parameter is affecting the recognition performance. We also apply feature selection and make the analysis considering five different phone positions.