Some studies have combined accelero

Some studies have combined accelerometers with other sensors, such as gyro sensors, microphones, and digital compasses. The researchers in Foerster, Smeja, and Fahrenberg (1999) tried to recognize nine activities, sitting, standing, lying, sitting and talking, sitting and operating a computer keyboard, walking, going up stairs, going down stairs, and cycling, using four accelerometers and some additional channels such as a microphone and an electrocardiogram. The authors in Lee and Masc (2002) created a system that uses a biaxial accelerometer, a gyroscope, and a digital compass to identify the user’s location and activities, such as sitting, standing, walking on level ground, and going up and down a stairway. In Najafi et al. (2003), the authors utilized two accelerometers and one gyroscope on the chest to identify whether elderly persons were standing, sitting, walking, or lying down. In Parkka et al. (2006), the authors built a system that measures two accelerations using two accelerometers (one on the chest and the other on the wrist) and 16 different quantities with 20 additional sensors to recognize such activities as lying down, sitting, standing, walking, Nordic walking, running, rowing, and cycling. The authors in Subramanya, Raj, Bilmes, and Fox (2006) addressed similar activities by building a model using data from a triaxial accelerometer, two microphones, phototransistors, temperature and barometric pressure sensors, and GPS to distinguish between a stationary state, walking, jogging, driving a vehicle, and climbing up and down stairs. In Tapia et al. (2007), five accelerometers and a heart rate monitor were incorporated to automatically recognize activities with different intensities (lying down, standing, sitting, walking, running, etc.). The authors in Banos, 6068 Y. Kwon et al. / Expert Systems with Applications 41 (2014) 6067–6074 Galvez, Damas, Pomares, and Rojas (2014) evaluated the signifi- cance of signal segmentation. They did experiments that used nine inertial sensors on different parts of the body while varying the sliding window sizes ranging 0.25–7 s. With supervised learning methods, they showed that the most accurate results are obtained for very small windows (0.25–0.5 s). The authors in Gao, Bourke, and Nelson (2014) compared single-sensor wearable systems to multi-sensor systems with five recognizers to identify six activities, including lying, sitting, standing, level walking, and climbing up/down. They concluded that the single-sensor systems did not beat the multi-sensor systems on the recognition accuracy regardless of a higher sampling rate, more complicated features, and more dedicated classifier. The authors in Guiry, van de Ven, Nelson, Warmerdam, and Riper (2014) compared a number of activity recognition algorithms, including their own classifier, to identify six key activities using two accelerometers, one in the trouser pocket, and the other in a chest strap.

ผลลัพธ์ (ไทย) 1:

บางการศึกษาได้รวมหัวกับเซนเซอร์อื่น ๆ เช่นเซ็นเซอร์ไจโร ไมโครโฟน และเข็มทิศดิจิตอล นักวิจัยใน Foerster, Smeja และ Fahrenberg (1999) พยายามรู้จักกิจกรรมเก้า นั่ง ยืน นอน นั่งคุย นั่งปฏิบัติการแป้นพิมพ์คอมพิวเตอร์ เดิน จะขึ้นบันได ลงบันไดไป และขี่ จักรยาน การใช้สี่หัวและบางช่องเพิ่มเติมเช่นไมโครโฟนและเต้น ผู้เขียนในลีและ Masc (2002) สร้างระบบที่ใช้ accelerometer เป็น biaxial มีไจโรสโคป และเข็มทิศดิจิตอลเพื่อระบุตำแหน่งของผู้ใช้และกิจกรรม นั่ง ยืน เดินบนพื้นราบ และจะขึ้นลงบันไดแบบนี้ ใน Najafi et al. (2003), ผู้เขียนใช้สองหัวและไจโรสโคปหนึ่งบนหน้าอกว่าอายุยืน นั่ง เดิน หรือนอนลง ใน Parkka et al. (2006), ผู้เขียนสร้างระบบที่วัดสองเร่งใช้สองหัว (หนึ่งบนหน้าอกและอื่น ๆ บนข้อมือ) และปริมาณแตกต่างกัน 16 มีเซ็นเซอร์เพิ่มเติม 20 รับรู้กิจกรรมดังกล่าวเป็นนอน นั่ง ยืน เดิน นอร์ดิกเดิน ทำงาน พายเรือ และขี่จักรยาน ผู้เขียน Subramanya ราช Bilmes และสุนัขจิ้งจอก (2006) ระบุกิจกรรมคล้ายกัน โดยการสร้างแบบจำลองโดยใช้ข้อมูลจากมาตรวัดความเร่งแบบมะเขือเทศสีแดง ไมโครโฟนสองตัว phototransistors อุณหภูมิ และเซนเซอร์ความดันบารอมิเตอร์ และ GPS เพื่อแยกระหว่างรัฐนิ่ง เดิน วิ่ง ขับรถ และปีนขึ้นลงบันได ใน Tapia et al. (2007), ห้าหัวและตรวจสอบอัตราการเต้นหัวใจถูกรวมให้รู้จักกิจกรรมที่ มีความเข้มแตกต่างกัน (นอน ยืน นั่ง เดิน ทำงาน ฯลฯ) ผู้เขียนในบานอส ประกันศูนย์ปี 6068 ควันร้อยเอ็ด / ระบบเชี่ยวชาญ 41 การใช้งาน (2014) 6067-6074 Galvez, Damas, Pomares และ Rojas (2014) ประเมิน cance พลาดของสัญญาณแบ่ง พวกเขาทำการทดลองที่ใช้เซนเซอร์เฉื่อยที่เก้าในส่วนต่าง ๆ ของร่างกายในขณะที่แตกต่างกันขนาดของหน้าต่างเลื่อนตั้งแต่ 0.25 – 7 s ด้วยวิธีการเรียนรู้ดูแล พวกเขาแสดงให้เห็นว่า ผลลัพธ์ที่ถูกต้องที่สุดจะได้รับสำหรับ windows ขนาดเล็กมาก (0.25-0.5 s) ผู้เขียนในเกา Bourke และเนลสัน (2014) เปรียบเทียบระบบสวมใส่เซนเซอร์เดียวกับเซนเซอร์หลายระบบกับห้ารู้ระบุหกหย่อน นอน นั่ง ยืน เดิน และปีนขึ้นลงระดับ พวกเขาได้ข้อสรุปว่า ระบบเซ็นเซอร์เดียวไม่ชนะระบบเซนเซอร์หลายบนความถูกต้องการรู้ว่าอัตราการสุ่มสูง คุณสมบัติที่ซับซ้อนมากขึ้น และลักษณนามโดยเฉพาะมากขึ้น ผู้เขียนใน Guiry, van de Ven เนลสัน Warmerdam และ Riper (2014) เมื่อเปรียบเทียบจำนวนกิจกรรมการรู้อัลกอริทึม รวมทั้งลักษณนามตนเอง การระบุกิจกรรมหลักหกที่ใช้ใช้หัวสอง หนึ่งในกระเป๋ากางเกง และอื่น ๆ ในสายรัดหน้าอก

ผลลัพธ์ (ไทย) 2:

การศึกษาบางส่วนได้รวม accelerometers ด้วยเซ็นเซอร์อื่น ๆ เช่นเซ็นเซอร์ไจโร, ไมโครโฟน, และเข็มทิศดิจิตอล นักวิจัยใน Foerster, Smeja และ Fahrenberg (1999) พยายามที่จะรับรู้เก้ากิจกรรมนั่งยืนนอนนั่งและพูดคุยนั่งและการดำเนินงานแป้นพิมพ์คอมพิวเตอร์เดินไปขึ้นบันไดไปลงบันไดและขี่จักรยานใช้สี่ accelerometers และบางช่องทางอื่น ๆ เช่นไมโครโฟนและคลื่นไฟฟ้า ผู้เขียนในลีและ masc (2002) สร้างระบบที่ใช้ accelerometer แกน, ไจโรสโคปและเข็มทิศดิจิตอลเพื่อระบุตำแหน่งของผู้ใช้และกิจกรรมเช่นนั่งยืนเดินบนพื้นราบและจะขึ้นและลงได้ บันได. ใน Najafi et al, (2003) ผู้เขียนที่ใช้สอง accelerometers และเป็นหนึ่งในการหมุนบนหน้าอกเพื่อระบุว่าผู้สูงอายุได้รับการยืนนั่งเดินหรือนอนลง ใน Parkka et al, (2006) ผู้เขียนสร้างระบบที่มีขนาดสองความเร่งใช้สอง accelerometers (หนึ่งบนหน้าอกและอื่น ๆ บนข้อมือ) และ 16 ปริมาณที่แตกต่างกันกับ 20 เซ็นเซอร์เพิ่มเติมที่จะรับรู้กิจกรรมต่างๆเช่นการนอนนั่งยืนเดิน นอร์ดิกเดิน, วิ่ง, พายเรือและขี่จักรยาน ผู้เขียนใน Subramanya ราชา, Bilmes และฟ็อกซ์ (2006) จ่าหน้ากิจกรรมที่คล้ายกันโดยการสร้างรูปแบบการใช้ข้อมูลจาก accelerometer สามแกนที่เซ็นเซอร์สองไมโครโฟน phototransistors อุณหภูมิและความกดดันของบรรยากาศและจีพีเอสที่จะแยกแยะระหว่างรัฐนิ่งเดิน วิ่ง, ขับรถและปีนขึ้นและลงบันได ใน Tapia, et al (2007) ห้า accelerometers และตรวจสอบอัตราการเต้นของหัวใจเป็น บริษัท ที่จะรับรู้กิจกรรมที่มีความเข้มแตกต่างกัน (นอนลงยืนนั่งเดิน, วิ่ง, ฯลฯ ) โดยอัตโนมัติ ผู้เขียนในบาโญ, 6068 วายเทควันโด, et al / ระบบผู้เชี่ยวชาญที่มีการประยุกต์ใช้งาน 41 (2014) 6067-6074 Galvez, Damas, Pomares และ Rojas (2014) การประเมินมีนัยสำคัญของการแบ่งส่วนของสัญญาณ พวกเขาได้ทดลองใช้ที่เก้าเซ็นเซอร์เฉื่อยในส่วนต่าง ๆ ของร่างกายในขณะที่ที่แตกต่างกันเลื่อนหน้าต่างขนาดตั้งแต่ 0.25-7 s ด้วยวิธีการเรียนรู้ภายใต้การดูแลพวกเขาแสดงให้เห็นว่าผลลัพธ์ที่ถูกต้องมากที่สุดจะได้รับสำหรับ Windows ขนาดเล็กมาก (0.25-0.5 s) ผู้เขียนใน Gao บอร์กและเนลสัน (2014) เมื่อเทียบเดียวเซ็นเซอร์ระบบสวมใส่ได้หลายระบบเซ็นเซอร์ที่มีห้า recognizers เพื่อแจ้งหกกิจกรรมรวมทั้งโกหกนั่งยืนระดับการเดินและปีนขึ้น / ลง พวกเขาสรุปว่าระบบเดียวเซ็นเซอร์ไม่ได้เอาชนะระบบเซ็นเซอร์หลายกับความถูกต้องได้รับการยอมรับโดยไม่คำนึงถึงอัตราที่สูงกว่าการสุ่มตัวอย่างคุณสมบัติที่มีความซับซ้อนมากขึ้นและมากขึ้นโดยเฉพาะลักษณนาม ผู้เขียนใน Guiry, แวนเดอเวนเนลสัน Warmerdam และ Riper (2014) เมื่อเทียบกับจำนวนของขั้นตอนวิธีการรับรู้กิจกรรมรวมถึงลักษณนามของตัวเองที่จะระบุหกกิจกรรมหลักโดยใช้สอง accelerometers หนึ่งในกระเป๋ากางเกงและอื่น ๆ สายรัดหน้าอก