Reconnaissance en temps réel d'activités physiques et de transitions posturales à l'aide de capteurs inertiels pour smartphone
Résumé
This paper introduces a novel approach for real-time classification of human activities using data from inertial sensors embedded in a smartphone. We propose a hierarchical classification scheme to recognize seven classes of activities including postural transitions. Its structure has three internal nodes composed of three Support vector machines SVM classifiers, each one is associated with a set of activities. Moreover, each SVM is fed with a feature vector from an adapted and optimal frequency band. Experimental results conducted on a challenging publicly available dataset named SBHAR show that our method is effective and outperforms various state-of-the-art approaches. We also show the suitability of our method to recognize postural transitions.
Cet article présente une nouvelle approche pour la classification en temps réel des activités humaines à l'aide de données provenant de capteurs inertiels embarqués dans un smartphone. Nous proposons un système de classification hiérarchique permettant de reconnaître sept classes d'activités y compris les transitions posturales (PTs). Sa structure contient trois nœuds internes composés de trois Support vector machines (SVM) classifieurs où chacun est associé à un ensemble d'activités. De plus, chaque SVM reçoit un vecteur d'attributs provenant d'une bande de fréquence adaptée et optimale. Les résultats expérimentaux réalisés sur une base de données publique, montrent que notre méthode est efficace et surpasse les approches de l'état de l'art. Nous montrons également la pertinence de notre méthode pour reconnaître les transitions posturales.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|
Loading...