| Abstract | Razvoj biomedicinskog inženjerstva doprinosi povećanju kvalitete medicinskih usluga, a jedno od područja biomedicinskog inženjerstva u kojem razvoj tehnologije ima značajan utjecaj je istraživanje različitih vidova fizikalne aktivnosti: dnevne fizičke aktivnosti, vježbanje, dijagnostika, terapija i rehabilitacija. Osnovni motivi praćenja fizikalne aktivnosti su primjene u sportu, ali se često primjenjuje i za raspoznavanje aktivnosti starijih osoba, njihove ravnoteže, s ciljem omogućavanja preventivnih postupaka u slučaju pogoršanja stanja. Primjerice, za točnu detekciju pada nužno je također prepoznati koje su aktivnosti istom prethodile.
Glavni cilj rada je izraditi algoritam za klasifikaciju fizičkih aktivnosti pomoću značajki izračunatih iz senzorskih mjerenja akceleracije senzorskim čvorom postavljenim na kuk za vrijeme obavljanja niza različitih fizičkih aktivnosti. Zbog toga su pomoću senzorskih čvorova snimani signali akceleracije devetnaest ispitanika – dobrovoljaca. Svaki ispitanik izvodio je trinaest statičkih ili dinamičkih fizičkih aktivnosti: stajanje, hodanje, brzo hodanje, trčanje, brzo trčanje, penjanje uz stepenice, silaženje niz stepenice, visoki i niski skok, sjedanje, ustajanje iz sjedećeg položaja, lijeganje i ustajanje iz ležećeg položaja. Korišten je Shimmer3 senzorski čvor za mjerenja akceleracije u x, y i z smjeru, a algoritam je izrađen u MATLAB programskom okruženju.
Kao rezultat definirane su nužne metode za predobradu signala akceleracije s obzirom na to da je ostavljena sloboda u postavljanju pozicije Shimmer senzorskog čvora. Pretpostavljeno je da će svakodnevni korisnici rijetko postavljati senzor bez pogreške, stoga je cilj predobrade da se podaci skaliraju s obzirom na položaj u transferzalnoj ravnini. Osim navedenog, definirane su značajke koje najbolje diferenciraju pojedine aktivnosti, pri čemu odabir značajki ima znatan utjecaj u klasifikaciji. Definirani su i algoritmi koji za ovakvu primjenu daju najbolje rezultate. Neovisno o značajkama i metodama klasifikacije, najlakše je klasificirati radnje koje se razlikuju po dinamici poput stajanja, skakanja, lijeganja.
Mjerenjem vrijednosti akceleracije senzorskim čvorom postavljenim na kuk, njihovom obradom te strojnim učenjem moguće je ostvariti kvalitetnu klasifikaciju fizičkih aktivnosti. Predložen je i ispitan algoritam za primjenu klasifikacije pri raspoznavanju aktivnosti starijih osoba zbog prevencije pada. |
| Abstract (english) | The development of biomedical engineering causes increase of the quality of medical services, and one of the areas of biomedical engineering in which technology development has a significant impact is researching different aspects of physical activity: daily physical activity, exercise, diagnosis, therapy and rehabilitation. Basic motivation for physical activity monitoring is use in sports, but it is also often applied to the recognition of older people's activity, their balance, with the aim of providing preventative procedures in case of loss of balance. For example, for accurate fall detection it is also necessary to identify which activities were preceding.
The main aim of this thesis is to create an algorithm for classification of physical activities by computing features from acceleration sensory node measurements with sensory node set on the chin while performing different physical activities. For this reason, the acceleration signals of nineteen respondents – volunteers were recorded. Each person has performed thirteen static or dynamic physical activities: standing, walking, fast walking, running, fast running, walking down the stairs, walking up the stairs, high and low jump, sitting, getting up from the sitting position, lying down and rising from the lying position. The Shimmer3 sensor node for acceleration measurements in x, y and z directions was used, and the algorithm was created in the MATLAB programming environment.
As a result, necessary methods of data processing have been defined since it is left free to set the position of the Shimmer sensor node on the chin. It is assumed that everyday users will rarely set the sensor on the right position, so the aim is to calibrate the data in relation to the position in the transfer plane. In addition to this, the features that differentiate each activity in the best way are defined, with the selection of features having a significant impact on the classification. Algorithms that provide the best results for this application are also defined. Regardless of the features and classification methods, it is easiest to classify actions that differ in dynamics such as standing, jumping, and lying down.
Measuring acceleration values from the sensor node, their processing and machine learning can provide a high quality classification of physical activity. The classification algorithm for identifying physical activities of elderly people with aim of falls prevention has been proposed and tested.
|
