Please use this identifier to cite or link to this item:
Title: Εφαρμογη τεχνικών εξόρυξης δεδομένων σε δεδομένα ανθρώπινης κίνησης με χρήση επιταχυνσιόμετρων
Other Titles: Application of data mining techniques in human motion data derived from accelerometers
Authors: Πολίτη, Όλγα
Keywords: Αναγνώριση δραστηριότητας
Keywords (translated): Activity recognition
Tri-axial accelerometers
Abstract: Η καταγραφή των ανθρώπινων κινήσεων είναι ένα αναπτυσσόμενο πεδίο έρευνας με εφαρμογές στον τομέα της υγείας αλλά και της καθημερινής ζωής. Τα επιταχυνσιόμετρα αποτελούν μια πολλά υποσχόμενη μέθοδο μακροχρόνιας καταγραφής των ανθρώπινων δραστηριοτήτων, που συνδυάζει χαμηλό κόστος, μικρό μέγεθος και διακριτικότητα. Η παρούσα εργασία έχει στόχο την εφαρμογή διαφόρων τεχνικών εξόρυξης δεδομένων σε πολυδιάστατα δεδομενα ανθρώπινης κίνησης με χρήση επιταχυνσιόμετρων. Μέσω της συγκριτικής αξιολόγησης μεθόδων εξαγωγής χαρακτηριστικών αλλά και της εισαγωγής δημογραφικών χαρακτηριστικών στην διαδικασία αναγνώρισης κίνησης, η παρούσα διπλωματική εργασία στοχεύει να εξελίξει τις προσπάθειες που έχουν γίνει μέχρι στιγμής στον τομέα αναγνώρισης ανθρώπινης κίνησης. Για το σκοπό αυτό, θα αναπτυχθούν διαφορετικά μοντέλα, τα οποία θα συγκριθούν και θα αξιολογηθούν. Σε αυτά τα μοντέλα θα χρησιμοποιηθούν state-of-the-art αλγόριθμοι εξόρυξης δεδομένων, τόσο στο βήμα της προεπεξεργασίας, της εξαγωγής χαρακτηριστικών όσο και της κατηγοριοποίησης, με σεβασμό στην χρονική και χωρική πολυπλοκότητα.
Abstract (translated): Monitoring of human activities is a growing field of research with potential applications such as lifecare or healthcare. Accelerometers are a promising method for long-term human activity monitoring, combining low cost, small size and non-intrusiveness. This work aims at applying various data mining techniques to multidimensional human motion data derived from accelerometers. Through comparative evaluation of feature extraction methods and the introduction of demographic characteristics to motion recognition, this thesis aims to extend the efforts made so far in recognizing human motion. For this purpose, different models will be developed and later compared and evaluated. The models will consist of state-of the art data mining algorithms in the steps of data pre-processing, feature extraction and classification, with respect to time and space complexity.
Appears in Collections:Τμήμα Μηχανικών Η/Υ και Πληροφορικής (ΜΔΕ)

Files in This Item:
File Description SizeFormat 
Master_Thesis.pdf2.99 MBAdobe PDFView/Open

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.