Հայաստանի ատենախոսությունների բաց մատչելիության պահոց = Open Access Repository of the Armenian Electronic Theses and Dissertations (Armenian ETD-OA) = Репозиторий диссертаций Армении открытого доступа

Շարժական «խելացի» սարքավորումների տվիչների տվյալների վերլուծության արդյունավետ մեթոդների մշակում և իրականացում

Կաղյան, Սահակ Իգորի (2014) Շարժական «խելացի» սարքավորումների տվիչների տվյալների վերլուծության արդյունավետ մեթոդների մշակում և իրականացում. PhD thesis, ՀՀ ԳԱԱ Ինֆորմատիկայի և ավտոմատացման պրոբլեմների ինստիտուտ.

[img]
Preview
PDF (Abstract)
Available under License Creative Commons Attribution.

Download (898Kb) | Preview

    Abstract

    Օբյեկտի, մասնավորապես մարդու, կողմից իրականացվող շարժումների ճանաչումը և դասակարգումը կարևոր խնդիր է, որի լուծմանը կարող են օգնել շարժական տեխնոլոգիաները: Ժամանակակից բջջային հեռախոսները հնարավորություն են տալիս մարդուն հասանելի լինել համարյա միշտ և ամենուրեք: Նրանց մեջ աշխատող ծրագրային ապահովությունները կիրառություններ են ստանում տարբեր բնագավառներում: Բժշկության բնագավառում առավել մեծ հետաքրքրություն առաջացնող խնդիրներից են հանդիսանում շարժական տեխնոլոգիաների կիրառումը հիվանդությունների ախտորոշման, կանխարգելման, խրոնիկ հիվանդությունների մոնիթորինգի խնդիրները: Հասկանալի է դառնում, որ մարդու ֆիզիկական վիճակի մոնիթորինգի և իրական ժամանակում հարկ եղած դեպքում օգնություն ցուցաբերելու հնարավորությունը խթան է հանդիսանում անհատականացված առողջապահության համակարգերի նախագծմանը, մշակմանը և ներդրմանը: Ժամանակակից բջջային սարքավորումները սկսել են օգտագործվել որպես օժանդակ գործիք պատկերների և ազդանշանների մշակման խնդիրներում: Շարժումների ճանաչման խնդիրը կարելի է լուծել տարբեր կերպ՝ դա կախված է և՛ տվիչների տեսակից, որոնց միջոցով իրականացվում է ազդանշանների հավաքագրման գործընթացը, և՛ շրջակա միջավայրից, որտեղ գտնվում է օբյեկտը: Տվիչներն էլ, իրենց հերթին, բաժանվում են տարբեր տիպերի՝ արտաքին միջավայրի, վիդեո և կրելի տվիչներ: Տիպերից յուրաքանչյուրի կիրառման դեպքում անհրաժեշտ է հաշվի առնել այն սահմանափակումները (ժամանակային, ճշգրտության, հիշողության ղեկավարման հետ կապված), որոնք դրվում են շարժումների ճանաչման խնդիրը լուծելիս: Շարժումների ճանաչումը հիմնականում դիտարկվում է որպես ազդանշանների վերլուծության խնդիր, որի լուծումը կարող է որոշակի բարդություններ առաջացնել: Մասնավորապես, տվիչից ստացված ազդանշաններում առկա աղմուկների և նրանց հավաքագրման ցածր ինտենսիվության պատճառով կարող է նվազել ճանաչման ճշգրտությունը: Վիդեո կամ արտաքին միջավայրային տվիչներն իրենց հերթին ունեն կիրառման շառավղի սահմանափակումներ, ինչպես նաև տվյալների մեծ ծավալներ: Վերոհիշյալ պատճառներով շարժումների ճանաչման խնդիրը առ այսօր ամբողջական լուծված չէ: Հաշվի առնելով վերոհիշյալ նկատառումները, անհրաժեշտություն է առաջանում մշակել շարժումների ճանաչման մի համակարգ, որն՝ օգտագործելով ազդանշանների (պատկերների) վերլուծության և ճանաչման հայտնի մեթոդները (մասնավորապես, մեքենայական ուսուցման մեթոդները), կկատարի մուտքային ազդանշանների հաջորդականությունների մշակում, աղմուկի զտում, ստացված տվյալների վերջնական վերլուծություն և ճանաչում, ընդ որում՝ արդյունավետ և արագ: Распознавание движений, которые в течение времени совершает объект (в частности, человек), является важной задачей, решаемой в области распознавания и анализа сигналов. Одновременно, мобильный телефон представляет собой то устройство, с помощью которого человек становится досягаем почти всегда и везде. Современные мобильные программные обеспечения уже активно применяются в финансовой, социальной, медицинской и многих других сферах. В медицине наибольший интерес представляют концепции, в которых мобильные технологии используются для выявления и мониторинга хронических заболеваний, и решение подобных задач способствует разработке персонализированных здравоохранительных систем. Задачу распознавания движений можно решить несколькими способами, применение которых зависит как от типов датчиков, так и от окружающей среды. Сами же датчики можно условно разделить на три категории: датчики внешней среды, видео и нательные /носимые/. Необходимо учитывать все те ограничения, которые ставятся при решении конкретной задачи распознавания, помнить о сложностях, возникающих из-за присутствующих шумов при сборе сигналов или их низкой интенсивности получения. При одновременном использовании нескольких нательных датчиков человек может ощущать некоторый дискомфорт или не иметь возможности полноты движений. Датчики окружающей среды и видео датчики, в свою очередь, имеют ограничения радиуса действия и большой объем передаваемых необработанных данных. Поэтому, задача распознавания движений по сей день не решена полностью. Возникает необходимость в разработке и реализации такой системы распознавания движений, которая, используя известные методы распознавания сигналов (образов), в частности, алгоритмов машинного обучения, будет производить обработку последовательностей входных сигналов, уменьшения шума, а также конечное распознавание на основе предварительно обработанных данных, причем делать все перечисленные операции быстро и эффективно. Целью данной диссертации является разработка более быстрого и эффективного процесса распознавания движений, основанного распределенной модели на получения и предварительной обработке сигналов датчиков мобильного устройства, ее последующем распознавании, реализация соответствующего программного комплекса. Object, particularly, human activity recognition and classification is an important and urgent task. Nowadays the Internet and personal computer are most common ways to connect people, allowing them to exchange information between each other. On the other side, none of these is able to reach each person anywhere and anytime like the cell phone does. Moreover, what concerns to mobile technologies in general, now they are becoming ubiquitous all over the world, changing the way we communicate, conduct commerce, and provide care and services. Certainly some of the most compelling benefits of mobile technologies are in the areas of disease prevention, chronic disease management and improving healthcare delivery. For all the advances, that occur in mobile health (mHealth), its full potential for one very large group of beneficiaries – older adults and the persons who support them – is only starting to emerge. The ability to monition physical state of a person takes us to the concept of personalized healthcare systems implementation. Such systems will allow to decrease the number of people, suffering from different diseases and to save life (in proper cases of emergency). Modern smartphones are starting to be used as an auxiliary tool in signal and image processing tasks. Generally, the activity recognition task can be solved in different ways, where the solution depends on sensor that gives the signal sequences, as well as the environment. The sensors themselves divide into 3 categories, i.e. environmental, video and wearable. In addition, we must consider the limitation during usage of each type of sensor (time, minimal accuracy and hardware resource limitations). Moreover, it is necessary to remember about the problems that occur during different stages of signal processing. Activity recognition is mainly considered as signal processing task. During signal retrieving stage, we face with different noises that occur and low frequency of signal retrieving can have bad effect on classification accuracy. Besides, the simultaneous usages of different sensors, attached to different parts of human body, may limitate the movements and make the movements uncomfortable for human. What relates to video and external environmental sensors usage, in that aspect we face with problems of big size of signal transferring and limited range of work difficulties. Therefore, these are the main problems why the activity classification task is not completely solved until now. Considering the above mentioned, it is necessary to implement activity recognition system, that will use modern state-of-art signal (image) processing algorithms (particularly, based on machine learning) and will do processing of input sensor signal sequences, will do noise reduction and final classification, at the same time fast and efficiently. The aim of this thesis is to develop a process of activity recognition, which does asynchronous signal processing and final classification using signals from sensors of mobile device and new (hybrid) classification algorithm, based on support vector machines method and search trees combination.

    Item Type: Thesis (PhD)
    Additional Information: Разработка и реализация эффективных методов обработки и анализа данных датчиков мобильных интеллектуальных устройств. Intelligent sensor data processing, communication and implementation using mobile devices.
    Uncontrolled Keywords: Кагян Саак Игоревич, Kaghyan S. I.
    Subjects: Informatics and Computer Systems
    Divisions: UNSPECIFIED
    Depositing User: NLA Circ. Dpt.
    Date Deposited: 03 Oct 2016 09:49
    Last Modified: 04 Oct 2016 11:41
    URI: http://etd.asj-oa.am/id/eprint/3547

    Actions (login required)

    View Item