การรู้จำกิจกรรมประจำวันของมนุษย์แบบปรับตัวได้ โดยใช้ข้อมูลจากตัวรับรู้แอคเซเลอโรมิเตอร์ของสมาร์ทโฟน
Main Article Content
บทคัดย่อ
การรู้จำกิจกรรมของมนุษย์โดยใช้ข้อมูลกระแสจากตัวรับรู้แอคเซเลอโรมิเตอร์ของสมาร์ทโฟนยังคงเป็นประเด็นที่น่าสนใจสำหรับนักวิจัย งานวิจัยส่วนใหญ่พัฒนาตัวแบบรู้จำกิจกรรมเป็นแบบเฉพาะบุคคล ซึ่งต้องใช้ข้อมูลสำหรับสร้างตัวแบบมาจากผู้ใช้ที่ต้องการจะใช้ตัวแบบรู้จำเท่านั้น โดยให้ผู้ใช้ทำกิจกรรมต่าง ๆ ภายในระยะเวลาที่กำหนด ซึ่งอาจก่อความไม่สะดวกให้แก่ผู้ใช้มากเกินไป ดังนั้นงานวิจัยนี้จึงได้นำเสนอกรอบแนวคิดใหม่ของการรู้จำกิจกรรมที่หยืดหยุ่นได้ด้วยสมาร์โฟน ที่ชื่อเรียกว่า “ไอซาร์พลัส” ซึ่งเป็นตัวแบบไม่เฉพาะบุคคล (สากล) ที่สามารถใช้กับผู้ใช้ใหม่ได้ โดยที่ผู้ใช้ใหม่ที่ต้องการใช้งานสามารถนำตัวแบบไปใช้งานได้ทันทีโดยที่ไม่ต้องเตรียมข้อมูลสำหรับสร้างตัวแบบเอง ทั้งนี้เพราะตัวแบบที่นำเสนอสามารถปรับตัวแบบได้ตามข้อมูลกระแสของผู้ใช้แต่ละคนโดยใช้การเรียนรู้แบบเพิ่มขึ้นสำหรับการรู้จำในเวลาจริง งานวิจัยนี้ได้วัดประสิทธิภาพของตัวแบบที่นำเสนอทั้งในด้านความถูกต้องของการทำนายและด้านเวลาที่ใช้โดยใช้ข้อมูลจริงของการรู้จำกิจกรรม ผลจากการทดลองแสดงให้เห็นว่าวิธีการไอซาร์พลัสมีประสิทธิภาพที่ดีกว่าวิธีการอื่นที่นำมาเปรียบเทียบ โดยเฉพาะอย่างยิ่งกับข้อมูลสอนและทดสอบจากผู้ใช้ที่ต่างกันและไม่จำเป็นต้องสอบถามกิจกรรมที่แท้จริงจากผู้ใช้
Article Details
References
2. Gomes, J, Krishnaswamy, S, Gaber, M, Sousa, P, Menasalvas, E. MARS: A Personalised Mobile Activity Recognition System. Proceeedings of the 2012 IEEE 13th International Conference on Mobile Data Management (MDM); Bengaluru, Karnataka; 2012. P. 316–319.
3. Lockhart, JW, Weiss, GM. The Benefits of Personalized Smartphone-based Activity Recognition Models. Proceedings of the 2014 SIAM International Conference on Data Mining; 2014. P. 614–622.
4. Uddin, MT, Billah, M, Hossain, MF. Random Forests based Recognition of Human Activities and Postural Transitions on Smartphone. Proceedings of the 5th International Conference on Informatics, Electronics and Vision (ICIEV); 2016. P. 250-255.
5. Lee, SM, Yoon, SM, Cho, H. Human Activity Recognition from Accelerometer Data Using Convolutional Neural Network. Proceedings of the 2017 IEEE International Conference on Big Data and Smart Computing (BigComp); 2017. P. 131-134.
6. Abdallah, ZS, Gaber, MM, Srinivasan, B. Adaptive mobile activity recognition system with evolving data streams. Neurocomputing; 2015. P. 304-317.
7. Jalal, A, Quaid, MAK, Hasan, AS. Wearable Sensor-based Human Behavior Understanding and Recognition in Daily Life for Smart Environments. 2018 International Conference on Frontiers of Information Technology (FIT); 2018. P. 105-110.
8. Dungkaew, T, Suksawatchon J, Suksawatchon U. Impersonal smartphone-based activity recognition using the accelerometer sensory data. Proceeding of the 2017 2nd International Conference on Information Technology (INCIT). Nakhonpathom, Bangkok; 2017. P. 1-6.
9. Jennifer, R, Kwapisz, GM, Weiss and Samuel A. Moore. Activity Recognition using Cell Phone Accelerometers, Proceedings of the Fourth International Workshop on Knowledge Discovery from Sensor Data (at KDD-10) 2010.
10. Micucci, D, Mobilio, M, Napoletano, P. UniMiB SHAR: A Dataset for Human Activity Recognition Using Acceleration Data from Smartphones. Preprints 2017, 2017060033 (doi: 10.20944/preprints201706.0033.v1).