Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Analysis of the Acoustic Power Emitted by a Physiotherapeutic Ultrasound Equipment Used at the Brazilian Air Force Academy Kapitel lesen Erstes Kapitel lesen

2022 | OriginalPaper | Buchkapitel

Human Activity Recognition from Accelerometer Data with Convolutional Neural Networks

verfasst von : Gustavo de Aquino e Aquino, M. K. Serrão, M. G. F. Costa, C. F. F. Costa-Filho

Erschienen in: XXVII Brazilian Congress on Biomedical Engineering

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Smartphones are present in most people's daily lives. Sensors embedded in these devices open the possibility of monitoring users’ activities. The classification of the intricate data patterns collected through these sensors is a challenging task when considering hand-crafted features and pattern recognition algorithms. In this work, to face this challenge, we propose a convolutional neural network architecture along with two methods for transforming sensor data stream into images. The proposed model was evaluated using the UniMiB SHAR dataset. The best macro average accuracy obtained for classification of 17 types of activities, with fivefold-cross-validation-method, was 90.44%.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Channel Influence in Armband Approach for Gesture Recognition by sEMG Signals
Nächstes Kapitel Multimodal Biometric System Based on Autoencoders and Learning Vector Quantization
Literatur
1.
Subasi A, Radhwan M, Kurdi R, Khateeb K (2018) IoT based mobile healthcare system for human activity recognition. In: 15th learning and technology conference (L&T), Jeddah, pp 29–34
2.
Lisowska A, O’Neil A, Poole I (2018) Cross-cohort evaluation of machine learning approaches to fall detection from accelerometer data. In: Heal. 2018—11th International conference Heal. informatics, Proceedings; Part 11th international joint conference biomedical engineering system and technologies BIOSTEC 2018, vol 5, no Biostec, pp 77–82
3.
Park S, Ju H, Park C (2016) Stance phase detection of multiple actions for military drill using foot-mounted IMU. Sensors 14:1–4
4.
Yin J, Yang Q, Member S, Pan JJ (2008) Sensor-based abnormal human-activity detection. IEEE Trans Knowl Data Eng 20(8):1082–1090CrossRef
5.
Yang J, Lee J, Choi J (2011) Activity recognition based on RFID object usage for smart mobile devices. J Comput Sci Technol 26:239–246CrossRef
6.
Micucci D, Mobilio M, Napoletano P (2017) UniMiB SHAR: a dataset for human activity recognition using acceleration data from smartphones. Appl Sci 7(1101):1–19
7.
Li F, Shirahama K, Nisar MA, Köping L, Grzegorzek M (2018) Comparison of feature learning methods for human activity recognition using wearable sensors. Sensors (Switzerland) 18(2):1–22
8.
De Falco I, De Pietro G, Sannino G (2020) Evaluation of artificial intelligence techniques for the classification of different activities of daily living and falls. Neural Comput Appl 32(3):747–758CrossRef
9.
Sharma A, Vans E, Shigemizu D, Boroevich KA, Tsunoda T (2019) DeepInsight: a methodology to transform a non-image data to an image for convolution neural network architecture. Sci Rep 9(1):1–7
Metadaten
Titel
Human Activity Recognition from Accelerometer Data with Convolutional Neural Networks
verfasst von
Gustavo de Aquino e Aquino
M. K. Serrão
M. G. F. Costa
C. F. F. Costa-Filho
Copyright-Jahr
2022
Buch
XXVII Brazilian Congress on Biomedical Engineering

Print ISBN: 978-3-030-70600-5

Electronic ISBN: 978-3-030-70601-2

Copyright-Jahr: 2022

DOI
https://doi.org/10.1007/978-3-030-70601-2_235

Neuer Inhalt

    Bildnachweise