بر تخمین احتمالات شرطی یا احتمال یا الگوی سیگنال قابل دسترس از هر کلاس فعالیت مبتنی است. با داشتن این احتمالات، امکان یک الگوی ناشناخته جدید خلق شده بوسیله یک فعالیت خاص می تواند به طور مستقیم تخمین زده شود.
۲-۴-۴-۶-الگوریتم خوشه بندی Naïve Bayes
با داشتن Naïve Bayes ویژگیهای ورودی به طور فرضی از یکدیگر مستقل هستند. با این فرض ممکن است تابع احتمال برای هر فعالیت به عنوان محصول n تابع چگالی احتمال ساده بیان شود که n تعداد ویژگیها میباشد. طبق قانون Bayes احتمال یک فعالیت a با یک بردار ویژگی می تواند به شکل زیر محاسبه شود:
در این معادله به احتمال اولویت فعالیت a اشاره دارد.
۲-۴-۴-۷-الگوریتم خوشهبندی Markov chain
برای مشکلات خاص دسته بندی بعضی احتمال انتقال میان فعالیتها نسبت به بقیه خیلی بیشتر میباشد. برای مثال ممکن است فرد پس از پایین آمدن از پله بنشیند ولی ممکن نیست شروع به دویدن کند. Markov chain
یک پروسه انتقالی زمان مجزا است که در آن هر فعالیت به عنوان یک حالت متفاوت نمایش داده شده است.
markov chain می تواند برای نمایش احتمال انتقال میان فعالیتهای مختلف مورد استفاده باشد.
۲-۴-۴-۸-الگوریتم خوشهبندی [۲۰] HMM
یک HMM مشابه markov chain است اما با این تفاوت که حالت مدل در هر زمان داده شده ناشناخته (مخفی) است و فقط می تواند از پارامترهای معلوم که مبتنی بر حالت هستند، مشخص شود. برخلاف markov chain این مدل می تواند مستقیما برای مشکلات دسته بندی فعالیت مورد استفاده باشد. پارامترهای معلوم ویژگیهای مشتق شده از داده حسگرهای پوشیدنی با حالتهای مربوطه به فعالیتهای متفاوت هستند و می تواند با بیش از یک فعالیت مطابق باشد. HMM بوسیله تشخیص انتقالهای حالت در طول احتمالاتی مجهز شده که هر مجموعه ممکن از معلومات (ویژگیها) برای هر حالت داده قابل مشاهده است.
۲-۴-۴-۹-الگوریتم خوشهبندی Fuzzy Logic
این روش بر تئوری فازی مبتنی است. تئوری استفاده استدلالی که تقریبی به جای تعیین خاص است. fuzzy logic روشی برای ویژگیسازی از یک مجموعه ورودی برای یک یا چند خروجی با بهره گرفتن از یک مجموعه ساده از تکرارهای
if-then که قواعد نامیده میشوند، ارائه می کند. خروجیها درستیهای فازی هستند که مطابق با هر کلاس فعالیتها
میباشند. جریان اطلاعات از میان سیستم فازی از طریق یک تعدادی گام اتفاق میافتد. ابتدا ورودی ها یا ویژگیها اختصاص مییابند. مجموعه فازی قوائد می تواند برای خلق یک خروجی مطابقی بکاربروند. خروجی یک مقدار عضو میباشد یا درستی فازی که رنجی از ۰ تا ۱ برای هر کلاس فعالیت دارد.
HMM یک مدل مولد احتمال است که برای تولید حالتهای مخفی برای داده معلوم مورد استفاده قرار میگیرد. خصوصا هدف اصلی این مدل تعیین توالی حالت مخفی (y1,y2,..,yt) است که مطابق است با توالی خروجی مشاهده شده(x1,x2,…,xt) و هدف مهم دیگر یادگیری پارامترهای مدل قابل اطمینان از تاریخچه توالیهای خروجی مشاهده شده میباشد.
X5
X4
X3
X2
X1
هنگامی که دریک تشخیص فعالیت HMM مورد استفاده است، فعالیتها همان حالتهای مخفی و داده حسگر، خروجی معلوم میباشند.
نوشیدن
برداشتن
غذا
داشتن سوپ
بریدن گوشت
فنجان
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 داده هایشان 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 میدهند، 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 داده هایی 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
برای