+7 499 135-41-63 (ВЦ РАН)
   info@forecsys.ru
      или посмотреть карту сайта

Новости

Завершилась совместная работа компании «Форексис» и специалистов из Высшей школы информатики и прикладной математики Политехнического института г. Гренобля (Франция).

Целью проекта являлась разработка распознавания модели двигательной активности рабочего чего на стройке в ходе производственной деятельности (установки каркаса). Двигательная активность рабочего представляется набором элементарных действий: сверление, забивание дюбеля, хождение и др.

Анализируемые данные представляют собой временные ряды, полученные с закрепленных на руках и ногах рабочих акселерометров с частотой 50 Гц на протяжении двух часов. Элементарным действием на временном ряде акселерометра является квазипериодический сегмент, состоящий из коротких повторяющихся действий. Например, забивание дюбеля состоит из однотипных действий движения рукой, хождение – из однотипных шагов. Основной задачей являлось выделение из временного ряда подобных квазипериодических сегментов.

Для решения этой задачи был предложен подход на основе анализа базового шаблона действия, состоящий из следующих этапов. 1. Сегментация временного ряда на элементарные действия (шаги рабочего, движение рукой и пр.). 2. Расчет среднего шаблона действия с использованием метрики выравнивания временных рядов. 3. На основе среднего шаблона были рассчитаны признаки для классификации – параметры модели нелинейной регрессии сводимости участка временного ряда к среднему шаблону. Параметры имеют физический смысл похожести текущего действия на шаблон, амплитуды движения, продолжительности движения.

Для создания модели распознавания действий использовались алгоритмы деревьев принятия решений и случайного леса. В качестве признаков модели были использованы параметры сводимости к среднему шаблону, базовые статистики (среднее, дисперсия, распределение значений сегмента), а также параметры различных моделей прогнозирования: модели авторегрессии и дискретного преобразования Фурье. Были применены методы сокращения данных и рекурсивного удаления атрибутов.

Предложенный подход позволил достичь высокого качества распознавания процесса хождения, в котором действие хождения представлено набором повторяющихся однотипных действия – шагов. Было достигнуто качество распознавания в 80% точности. Помимо распознавания шагов благодаря итоговой модели стало возможным значительно повысить качество распознавания следующих движений: подъем по ступенькам, прыжки, бег, а также неподвижного состояния (стоя, сидя и лежа).

Дата публикации: 23.08.2017

вернуться к другим новостям