Adaptive Activity Recognition Using The Sensory Data of Wearable Device

Abstract

Nowadays, the continuous growth of technology caused convenience in daily life for a better quality of life. In contrast, physical inactivity or unhealthy habits has increased such as hypersomnia, nomophobia, inactive office working, etc. These behaviors caused to Non-Communicable Diseases (NCDs) such as cardiovascular diseases, cancers, hypertension, and obesity, which have high mortality. For health promotion, it should be some efficient mechanisms to track or monitor for the quantifying physical activities. The automation detection of physical activity during the day should be analyzed first by an activity recognition (AR) method. At the present, many researches focused on the activity recognition framework from multiple sensors attached on the body. The results were showed the high accuracy in recognition rate, but the setting of multiple devices on the body was inconvenience and discomfort in daily life. From our studies, it found that the position and orientation affected to the performance of activity recognition as well. Therefore, the thesis proposes a new physical activity recognition framework based on the combination of accelerometer and gyroscope sensors attached to wrist-worn devices. “Smartwatch-based Physical Activity Recognition” or “S-PAR”. The S-PAR1 proposes the structure to distinguish the activities based on their characteristics (dormant and energetic activities). S-PAR2 applies the feature selection and parameter tuning to improve the overall recognition performance, and S-PAR3 can adapt the model to personal data. From the experiment results on 4 public datasets, the proposed models provided the overall performance in detection and recognition in physical activities with a high recognition rate.

ในปัจจุบันที่เทคโนโลยีได้ถูกพัฒนาอย่างก้าวกะโดดและได้เข้ามาเป็นส่วนหนึ่งในอยู่ชีวิตประจำวันมากขึ้นทำให้คุณภาพชีวิตดีมากขึ้น แต่ในทางตรงข้ามกันก็ทำให้ผู้คนขาดการออกกำลังกายหรือสร้างนิสัยที่ไม่ดีเพิ่มมากขึ้น เช่น การนอนมากเกินไป โรคกลัวการขาดมือถือ การทำงานในสำนักงานที่มีการเคลื่อนไหวน้อย เป็นต้น ซึ่งพฤติกรรมเหล่านี้ทำให้เกิดโรคไม่ติดต่อ (NCDs) เช่น โรคหัวใจและหลอดเลือด โรคมะเร็ง โรคความดันโลหิตสูง และโรคอ้วน เป็นต้น ซึ่งมีอัตราการเสียชีวิตที่สูง ในการส่งเสริมสุขภาพควรมีกลไกที่มีประสิทธิภาพในการติดตามการทำกิจกรรมการออกกำลังกายในเชิงปริมาณ ซึ่งการตรวจจับการออกกำลังกายโดยอัตโนมัติในระหว่างวันทำได้โดยใช้วิธีการรู้จำกิจกรรม โดยมีการนำกระแสข้อมูลเชิงเวลาจากตัวรับรู้บนอุปกรณ์ติดตัวผู้ใช้งานมาสร้างเป็นตัวแบบรู้จำกิจกรรมที่สามารถระบุกิจกรรรมได้ถูกต้องแม่นยำ จึงมีงานวิจัยที่ได้ศึกษาอุปกรณ์หลายตัวนำไปติดตามตำแหน่งต่าง ๆ บนร่างกายมาสร้างตัวแบบรู้จำกิจกรรมร่วมกันที่มีความแม่นยำสูงแต่มีข้อจำกัดที่การยุ่งยากต่อการติดตั้งและใช้งานในชีวิตประจำวันได้ยาก จากการศึกษาพบว่าตำแหน่งและการวางแนวของอุปกรณ์มีผลต่อประสิทธิภาพในการรู้จำกิจกรรม ดังนั้นวิทยานิพนธ์นี้ได้นำเสนอวิธีการสร้างตัวแบบรู้จำกิจกรรมทางกายภาพจากกระแสข้อมูลเชิงเวลาจากตัวรับรู้ Accelerometer และ Gyroscope บนอุปกรณ์ที่สวมใส่ข้อมือ Smartwatch-based Physical Activity Recognition หรือ S-PAR ซึ่งวิธีการ S-PAR1 เป็นต้นแบบโดยแบ่งการสร้างตัวแบบรู้จำกิจกรรมตามลักษณะของข้อมูลกิจกรรมได้แก่ กลุ่มกิจกรรมอยู่กับที่และกลุ่มกิจกรรมเคลื่อนไหว, วิธีการ S-PAR2 ได้นำการเลือกคุณลักษณะมาประยุกต์ใช้และปรับพารามิเตอร์วิธีการรู้จำให้ได้ประสิทธิภาพในการรู้จำกิจกรรมเพิ่มขึ้นและวิธีการ S-PAR3 สามารถปรับปรุงตัวแบบรู้จำที่เหมาะสมกับข้อมูลของผู้ใช้แต่ละคน โดยทดลองกับฐานข้อมูลกิจกรรมจำนวน 4 ฐาน ผลจากการทดลองแสดงให้เห็นว่าวิธีการ S-PAR มีประสิทธิภาพที่ดีกว่างานวิจัยที่เปรียบเทียบตามลำดับ