تحلیل عملکرد یادگیری عمیق برای تفکیک حالات حرکتی در فناوری پایش فعالیت های انسان به کمک حسگر های پوشیدنی

امروزه پایش فعالیتهای فیزیکی انسان توسط حسگرهای پوشیدنی به یکی از مهمترین زمینه های تحقیقاتی در حیطه مهندسی پزشکی بدل شده است. یک چالش مهم در این فرآیند، بهبود عملکرد طبقه بندهای مبتنی بر یادگیری ماشین برای تشخیص و تفکیک نوع فعالیتهای انسان از روی سیگنال ثبتی این حسگرها می باشد. در این مقاله چگونگی جداسازی ویژگی های رفتاری انسان با استفاده از مفهوم یادگیری عمیق تحلیل می شود. بدین منظور روش شبکه های عصبی کانولوشنی برای طبقه بندی سیستماتیک چهار رفتار از قبل تعریف شده شامل خوابیدن، دویدن، اتوکشیدن و دوچرخه سواری استفاده شده و نتایج آن با روش مبتنی بر شبکه های عصبی کلاسیک مقایسه شده است. نتایج حاصل از مقایسه این دو راهکار، حاکی از آن است که استفاده از یادگیری عمیق، به طور متوسط قادر است نتایج حاصله را در حدود 13/5درصد بهبود بخشد.

کلیدواژه ها:

تفکیک حالات حرکتی ، طبقه بندی ، فناوری حسگرهای پوشیدنی ، یادگیری عمیق