В рамках данной выпускной работы было проведено сравнение трех методов кластерного анализа данных о движении человека. Работу можно разделить на три части: поиск подходящего устройства для получения исходных данных, поиск минимально необходимого набора признаков для выделения из исходных данных, применение и сравнение результатов трех рассмотренных методов кластерного анализа. Предложено дальнейшее улучшение применимости анализа данных о движении человека с использованием других методов.

In this work, a comparison of three different clustering methods was performed within the human activity recognition problem. The work can be divided into three parts: finding the appropriate device to record raw data, finding the minimum number of features required to be extracted from raw data, application and performance comparison of three clustering methods. Further work is suggested to include other methods of clustering in order to broaden the usability of human activity recognition.

• ВВЕДЕНИЕ
• ГЛАВА 1. ОБЩИЕ СВЕДЕНИЯ
  • 1. Анализ движения человека
    • 1.1. Медицинское применение
    • 1.2. Спортивное применение
    • 1.3. Повседневное использование
  • 2. Биомеханика активностей
    • 2.1. Биомеханика стояния
    • 2.2. Биомеханика ходьбы
• ГЛАВА 2. АНАЛИЗ ДАННЫХ
  • 3. Выбор датчика для сбора данных
    • 3.1. Преимущества смартфона
  • 4. Исходные данные
    • 4.1. Предварительная обработка данных
  • 5. Кластеризация
    • 5.1. Метод k-средних
    • 5.2. EM-алгоритм
    • 5.3. Иерархический подход
    • 5.4. Теоретическое сравнение алгоритмов
  • 6. Реализация алгоритмов
  • 7. Обработка исходных данных в STATISTICA
    • 7.1. Нормализация данных
    • 7.2. Среднеквадратическое отклонение
    • 7.3. Преобразование Фурье
  • 8. Результаты
    • 8.1. Метод k-средних
    • 8.2. EM-алгоритм
    • 8.3. Метод дерева групп
• ЗАКЛЮЧЕНИЕ
• СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ