وبلاگ

قاشق
چاقو
چنگال
۲-۴-۵-چالش­ها
تشخیص خودکار فعالیت­های فیزیکی روزانه با بهره گرفتن از داده حسگرهای پوشیدنی(مانند شتاب سنج) نقطه چالش برانگیز کار شده است. چندین محدودیت وجود دارد مانند تعداد، مکان و ماهیت حسگرهایی که افراد می­بایست آنها را تحمل می­ کنند­. فاکتورهایی که باعث پیچیدگی کار تشخیص شده ­اند می ­تواند به صورت زیر طبقه ­بندی شوند [۴۳].
۲-۴-۵-۱-پیچیدگی فعالیت­ها
پیچیدگی فعالیت­ها می ­تواند زیاد باشد و به فاکتورهای گوناگونی شامل تعداد فعالیت­ها، نوع فعالیت­ها و پیچیدگی داده آموزشی جمع شده برای این فعالیت­ها بستگی دارد.

۲-۴-۵-۲-تعداد فعالیت­ها
افراد تعداد زیادی از فعالیت­های گوناگون را در زندگی روزمره انجام می­ دهند بنابراین یک سیستم تشخیص فعالیت باید قادر به تشخیص مجموعه وسیعی از فعالیت­ها باشد.
۲-۴-۵-۳-نوع فعالیت
فعالیت­هایی مانند دراز کشیدن و نشستن ایستا هستند و برای تشخیص ساده هستند. بعضی از فعالیت­ها ماهیت دوره­ای دارند مانند پیاده­روی و دویدن با این حال وضعیت­هایی مانند نشستن و ایستادن خیلی شبیه­اند و مشخص کردن آنها هنگامی در محیط هم­پوشانی دارند خیلی سخت­اند. بعلاوه متمایز کردن فعالیت­های با شباهت­های بالای حرکتی مانند پیاده­روی در راهرو، بالارفتن از پله­ها و پایین رفتن از پله به خاطر الگوی حرکتی مشابه شان خیلی مشکل می­باشد.
بعلاوه تشخیص تعداد زیادی از فعالیت­هایی که هم خیلی متفاوتند و هم ویزگی­های مشابه دارند در زمان مشابه باعث می­ شود مشکل تشخیص سخت­تر شود. در این حالت شباهت زیاد میان فعالیت­ها درسراسر همه مجموعه فعالیت­ها یکچارچه نیست. به عبارت دیگر یک زیرمجموعه از فعالیت­ها با شباهت زیاد میان فعالیت­هایی از دیگر زیر مجموعه­ها خیلی متفاوتند مشترکند. برای مثال نشستن و ایستادن خیلی شبیه­اند اگرچه انها نسبت به پیاده­روی خیلی متفاوتند.
برای انجام یک فعالیت استانداردی وجود ندارد برای مثال یک شخص ممکن است روی یک نیمکت به شکلی دراز بکشد که قابل طبقه ­بندی به نشستن یا دراز کشیدن نباشد. یک فرد ممکن است فعالیت­های پویا مانند پیاده­روی در یک محیط متفاوت در زمان­های متفاوت انجام دهد به طور خلاصه فرد فعالیت­هایی را به شیوه ­های مختلف انجام می­دهد که طبقه ­بندی کردن آنها سخت هستند. بنابراین تشخیص فعالیت­هایی که برای آنهای داده آزمایشی یا آموزشی در شرایط آزمایشگاهی جمع­آوری می­شوند نسبت به آنهایی که داده­هایشان در شرایط واقعی جمع­آوری می­شوند راحترترند.
۲-۴-۵-۴-نیازمندیهای داده آموزشی
الگوریتم­های تشخیص می ­تواند براساس نوع و مقدار داده آموزشی که آنها نیاز دارند ارزیابی شوند. یک حالت ایده­آل الگوریتم تشخیص این است که عملکرد باید مستقل از فرد باشد و برای افراد جدید نیاز به داده آموزشی نداشته باشد. به دلیل تنوع بسیار در روش­هایی که افراد فعالیت­هایشان را انجام می­ دهند، تشخیص فعالیت مستقل از فرد در یک مجموعه گوناگون فعالیت­ها سخت است.
۲-۴-۵-۵-نیاز به دقت
مهمترین روش در تشخیص فعالیت بر ثبت داده ­های فعالیت­ها به منظور آموزش یک الگوریتم یادگیری به ماشین تکیه می­ کند. بدست آوردن چنین داده­هایی به ویژه همراه با جزییاتی که به اندازه کافی دقیق باشد، خسته کننده، وقت­گیر، اشتباه­زا و حتی ممکن است در برخی موارد غیر­ممکن باشد در نتیجه طرح آن به یک مانع قابل توجه برای پیشرفت در این زمینه منتهی می­ شود.
۲-۴-۵-۶-فعالیت طولانی مدت و سطح بالا
همانطور که می­دانید بخش مهمی از کار تشخیص فعالیت علاوه بر تمرکز بر فعالیت­های نسبتا کوتاه که می­توانند در عرض چند دقیقه و یا ثانیه به پایان رسد، تشخیص فعالیت­هایی است که ساعت­ها یا حتی چندین روز انجام می­پذیرد. بررسی فعالیت­های در مقیاس­های زمانی بزرگتر به چند دلیل جالب و چالش برانگیز است.
اول، در حالی که هنوز در تشخیص فعالیت در مقیاس­های زمانی کوچک در بسیاری از جهات درک ضعیفی وجود دارد، فعالیت­های بلند مدت و سطح بالا نیز کمتر بررسی شده ­اند. به عنوان مثال، نه اجماعی در مورد چگونگی تعریف
فعالیت­های سطح بالا وجود دارد و نه نوعی از الگوریتم برای استفاده از مدل، یادگیری و تشخیص آنها ارائه شده است.
در مقیاسهای زمانی بزرگتر، انواعی از فعالیت­های مختلفی در مقیاس کوچکتر وجود دارد. به عنوان مثال، فعالیت­هایی مانند کار و یا رفتن به خرید از بسیاری فعالیت­های فرعی تشکیل شده است. علاوه بر این چالش­ها، ثبت طولانی مدت نیاز به تکنیک­های جدید حاشیه­نویسی دارد. علاوه بر این نمی­ توان آنها را در محیط­های آزمایشگاهی بررسی کرد یعنی باید در محیط­های روزمره که نیاز به سخت­افزار قوی دارد انجام شود.در نهایت، آنها نیاز به الگوریتم­های کارآمد به منظور رویارویی با مقادیر زیادی از داده ­ها دارند.
زمینه ­های کاربرد بحث مذکور جنبه­ های صنعتی و برنامه ­های کاربردی در زمینه سرگرمی و بازی، بهداشت و درمان و کمک به زندگی می­باشد. هدف اصلی در کنترل فعالیت­ها شخصی در حسگرهای پوشیدنیو محاسبات آگاه از متن به طور کلی ما را قادر می­سازد با توجه امید به زندگی طولانی­تر و کاهش نرخ زاد و ولد و افزایش چشمگیر جمعیت سالمندان در جوامع بشری در سراسر جهان و چالش­هایی بوجود آمده برای سیستم­های مراقبت­ بهداشتی موجود نیاز مبرم به برنامه ­های کاربردی مرتبط با سلامت و فن­آوری برای پیری را می طلبد. یک نوع از سیستم­های طراحی شده برای افراد مسن که هدف آن تشخیص خطر بشکل بالقوه است.

• • به عنوان مثال تشخیص اینکه یک شخص افتاده است.

• • یا وقتی علائم حیاتی بدن نشان می­دهد که تهدید سلامت قریب الوقوع است.

• • کمک به بیماران مبتلا به آلزایمر و غیره…

۲-۴-۶-نیازمندی­های حسگر
سیستم­های تشخیص فعالیت که تعداد کمی از حسگرها برای تشخیص فعالیت بکار می­برند برای استفاده ساده و
راحت­تر هستند و نسبت به سیستم­هایی که از تعداد زیادی حسگر استفاده می­ کنند سیگنال­های کمتری می­بایست آنالیز شوند و همچنین نیازمندیهای محاسباتی کمتر دارند.
۲-۴-۷-مکان حسگرها
برای جمع­آوری داده ­های فعالیت­ها، حسگرها معمولا در قسمت­ های مختلف بدن انسان نصب می­شوند. برای نظارت بر فعالیت­های بلند مدت یک سیستم نباید مانع از فعالیت­های فیزیکی روزانه افراد شود و یا آنها را به یک الگوی ثابت زندگی مجبور می­ کند. بنابراین یک سیستم ایده­ال می­بایست اجازه دهد که حسگرها آزادانه حمل می­شوند در حالی که قادر به تشخیص فعالیت با دقت بالا باشد. بطورکلی خروجی یک شتاب­سنج قابل پوشیدن بستگی به مکانی دارد که در آن جا قرار داده شده است و می ­تواند حتی برای فعالیت مشابه در مکان­های مختلف بدن باشد.
۲-۴-۸-تشخیص بلادرنگ
الگوریتم­های تشخیص فعالیت به خصوص آنهایی که روی دستگاه­های که در دست جا می­شوند اجرا می­شوند،
می­بایست به قدر کافی سریع و سبک باشد تا با بهره گرفتن از منابع محدود شده در حد ممکن (مانند حافظه و قدرت محاسباتی) قادر به اجرای کار تشخیص بطور بلادرنگ باشد. سیستم­هایی که از چندین حسگر استفاده می­ کنند به دلیل آنالیز جریان داده چندگانه، زمان پردازش و پیچیدگی این سیستم­ها بطور مشخص افزایش پیدا می­ کند.
بعلاوه بیشتر رویکردهای طبقه ­بندی فعالیت با بهره گرفتن از حسگرهای پوشیدنی شامل یک پروسه چند مرحله­ ای می­باشند. تعدادی از برش­های زمانی کوچک (به عنوان پنجره در نظر گرفته می­ شود) به طور پیوسته در نظر گرفته می­ شود. برای هر پنجره یک یا چند ویژگی بکار گرفته می­ شود که سیگنال این ویژگی­ها به عنوان ورودی الگوریتم طبقه ­بندی استفاده
می­شوند. همچنین از مکانیزم یادگیری و نتیجه ­گیری استخراج طبقه بندی ویژگی برای اجرا بلادرنگ تشخیص فعالیت استفاده می­ شود.
۲-۴-۹-الگوی فعالیت انسان
تاریخ طولانی مطالعات روی فعالیت انسان در ادبیات جامعه شناختی شامل استفاده مکرر از اصطلاح بودجه زمانی
می­باشد. یک بودجه زمانی ماشبه بودجه پولی شخص می­باشد که مقدار زمانی که فرد صرف می­ کند را جمع­آوری
می­ کند. اطلاعاتی که در یک بودجه زمانی است شامل زمانی که فعالیت شروع می­ شود و زمانی که پایان می­یابد، ماهیت فعالیت، افرادی که حاضرند و فعالیت می­ کنند و مکان دقیقی که فعالیت در آنجا اتفاق می­افتد، می­باشد. فاکتورهای موثر در الگوی فعالیت انسانی متنوع می­باشند. جنسیت، سن، نژاد، سطح تحصیلات، مکانی که فعالیت در آن اتفاق می­افتد، روز هفته، فصل سال، شرایط شغلی، مذهب، وزن و…