exit

Information and Communication   > Home   > Internet of Things   > Issue 2   > Article

In‐Depth Learning of Raw Human Activity Data

Apprentissage en profondeur des données brutes de l’activité humaine


Hamdi Amroun
LIMSI-CNRS Université Paris Sud France

M’Hamed (Hamy) Temkit
Mayo Clinic Division of Health Sciences Research USA

Mehdi Ammi
LIMSI-CNRS Université Paris Sud France



Published on 19 June 2017   DOI : 10.21494/ISTE.OP.2017.0150

Abstract

Résumé

Keywords

Mots-clés

This paper proposes to study the recognition of certain daily physical activities by using a network of smart objects. The approach consists in the classification of certain participants’ activities, the most common ones and those that are carried out with smart objects:Make a phone call (Call), open the door (Open), close the door (Close) and watch its smartwatch (Watch). The study exploits a network of commonly connected objects: a smart watch and a smartphone, transported by participants during an uncontrolled experiment. The sensors’ data of the two devices were classified by a deep neural network (DNN) algorithm without prior data pre-processing. We show that DNN provides better results than Decision Tree (DT) and Support Vector Machine (SVM) algorithms. The results also show that some participants’ activities were classified with an accuracy of more than 98%, on average.

Dans cet article, nous proposons une approche pour reconnaitre certaines activités physiques en utilisant un réseau d’objets connectés. L’approche consiste à classer certaines activités humaines : marcher, debout, assis et allonger. Cette étude utilise un réseau d’objets connectés usuels : une montre connectée, un smartphone et une télécommande connectée. Ces objets sont portés par les participants lors d’une expérience non contrôlée. Les données des capteurs des trois dispositifs ont été classées par un algorithme du DNN (Deep Neural Networks) sans prétraitement préalable des données d’entrée. Nous montrons que (DNN) fournit de meilleurs résultats par rapport aux autres algorithmes classiques de type arbres de décision (DT) et Support Vector Machine (SVM). Les résultats montrent également que les activités des participants ont été classées avec une précision de plus de 98,53%, en moyenne.

Activity recognition DNN Non controlled environnement IOT

Reconnaissance de l’activité DNN environnement non contrôlé