exit

Social Sciences and Humanities   > Home   > Modeling and Using Context   > Issue 1   > Article

Human Activity Recognition Using Place-based Decision Fusion in a Smart Home Context Management System

Fusion de décisions par lieu pour reconnaître l’Activité Humaine et sa prise en compte dans la gestion de contexte


Julien Cumin
Orange Labs

Fano Ramparany
Orange Labs

Grégoire Lefebvre
Orange Labs

James L. Crowley
Université Grenoble Alpes & Inria



Published on 23 January 2018   DOI : 10.21494/ISTE.OP.2018.0207

Abstract

Résumé

Keywords

Mots-clés

This paper describes the results of experiments where information about places is used in the recognition of activities in the home. We explore the use of place-specific activity recognition trained with supervised learning, coupled with a decision fusion step, for recognition of activities in the Opportunity dataset. Our experiments show that using place information to control recognition can substantially improve both the error rates and the computation cost of activity recognition compared to classical approaches where all sensors are used and all activities are possible. The use of place information for controlling recognition gives an F1 classification score of 92:70% ± 1:26%, requiring on average only 73 milliseconds of computing time per instance of activity. These experiments demonstrate that organizing activity recognition with place-based context models can provide a scalable approach for building context-aware services in smart home environments.

Notre article décrit les résultats de travaux utilisant l’information de localisation afin de reconnaître les activités domestiques. Nous explorons l’utilisation de l’apprentissage supervisé pour reconnaître les activités situées dans la banque de données du projet Opportunity, couplé à une phase de fusion de décision. Nos résultats montrent que l’utilisation d’information de localisation permet une diminution substantielle du taux d’erreur ainsi que du coût de calcul de la reconnaissance d’activité par rapport aux approches classiques, pour lesquelles tous les capteurs sont utilisés et toutes les activités sont possibles. L’utilisation de l’information de localisation pour contrôler le processus de reconnaissance permet d’obtenir un score F1 de 92:70% ± 1:26%, et requiert seulement 73 millisecondes of temps de traitement par activité. Ces résultats montrent qu’organiser la reconnaîssance d’activité autour d’un modèle de contexte basé sur la localisation permet le passage à l’échelle de services sensibles au contexte d’activité dans les environnements domestiques.

Activity recognition machine learning context model localisation

reconnaissance d’activité apprentissage automatique modèle de contexte localisation