Details

Title Применение методов машинного обучения для распознавания двигательной активности человека с помощью мобильных устройств: бакалаврская работа: 09.03.01
Creators Намаконов Егор Сергеевич
Scientific adviser Никитин Кирилл Вячеславович
Organization Санкт-Петербургский политехнический университет Петра Великого. Институт компьютерных наук и технологий
Imprint Санкт-Петербург, 2017
Collection Выпускные квалификационные работы ; Общая коллекция
Subjects анализ временных рядов ; носимые устройства ; алгоритмы классификации ; выделение признаков
Document type Bachelor graduation qualification work
File type PDF
Language Russian
Level of education Bachelor
Speciality code (FGOS) 09.03.01
Speciality group (FGOS) 090000 - Информатика и вычислительная техника
DOI 10.18720/SPBPU/2/v17-4095
Rights Доступ по паролю из сети Интернет (чтение, печать, копирование)
Record key RU\SPSTU\edoc\45580
Record create date 10/23/2017

Allowed Actions

Action 'Read' will be available if you login or access site from another network

Action 'Download' will be available if you login or access site from another network

Group Anonymous
Network Internet

В работе исследуются различные методы выделения признаков и классификации применительно к задаче распознавания двигательной активности человека. Приводится сравнение эффективности методов. Основной результат работы - приложениедля носимых устройств, позволяющее в реальном времени определять вид текущей активности.

Network User group Action
ILC SPbPU Local Network All
Read Print Download
Internet Authorized users SPbPU
Read Print Download
Internet Anonymous
  • ВВЕДЕНИЕ
  • 1. Обзор предметной области
    • Постановка задачи
    • Существующие решения
    • Существующие подходы к решению задачи
  • 2. Проектирование системы распознавания движений
    • Структура системы распознавания
    • Формальная постановка задачи
    • Алгоритмы выделения признаков
      • Модели временных рядов
      • Cкрытые марковские модели
      • Выделение признаков частотной области
    • Алгоритмы классификации
      • Нейронные сети
      • Наивный байесовский классификатор
      • Применение линейного дискриминантного анализа как классификатора
    • Алгоритмы, основанные на метриках расстояния
      • Алгоритм динамической трансформации временной шкалы (DTW)
      • Метод k ближайших соседей
    • Контроль качества распознавания
      • Метрики качества
      • Выбор параметров модели и гиперпараметров
  • 3. Реализация
    • Требования к системе распознавания
    • Выбор средств для реализации
    • Архитектура системы
      • Архитектура Android-приложений
      • Архитектура системы обучения моделей
    • Сбор данных для обучения
    • Процесс тестирования и непрерывной интеграции
  • 4. Экспериментальное исследование
    • План исследования
    • Исходные данные для экспериментов
    • Выполнение экспериментов
      • Определение алгоритмов, дающих максимальную точность, и их параметров
      • Изучение влияния состава пользователей на качество распознавания
      • Изучение влияния отсутствия пользователя в обучающей выборке
    • Итоговое сравнение алгоритмов
  • ЗАКЛЮЧЕНИЕ
  • СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
  • ПРИЛОЖЕНИЕ А. Полные результаты эксперимента
  • ПРИЛОЖЕНИЕ Б. Пример пользовательского интерфейса

Access count: 626 
Last 30 days: 0

Detailed usage statistics