Korišćenje funkcije gustine verovatnoće u postupku za prepoznavanje tipa fizičke vežbe

Nikola Cakić; Milica Dilparić; Aleksandar Žigić; Srđan Milosavljević; Blagoje Babić

doi:10.5937/zeint27-13603

Nikola Cakić Univerzitet u Beogradu, Elektrotehnički institut Nikola Tesla.
Milica Dilparić Univerzitet u Beogradu, Elektrotehnički institut Nikola Tesla.
Aleksandar Žigić Univerzitet u Beogradu, Elektrotehnički institut Nikola Tesla.
Srđan Milosavljević Univerzitet u Beogradu, Elektrotehnički institut Nikola Tesla.
Blagoje Babić Univerzitet u Beogradu, Elektrotehnički institut Nikola Tesla.

DOI: https://doi.org/10.5937/zeint27-13603

Sažetak

U radu je prikazan postupak za prepoznavanje fizičkih vežbi, korišćenjem samo troosnog akcelerometra pametnog telefona. Telefon se nalazi nefiksiran u džepu vežbača. Analizirane su vežbe za jačanje mišića nogu iz stojećeg položaja: čučanj, iskorak i podizanje kolena. Sve vežbe su rađene nogom u čijem džepu se nalazi senzor ubrzanja korišćenog mobilnog telefona. Da bi se testirao predloženi postupak, nasumice je odabrana vežba podizanje kolena koja se obavlja suprotnom nogom od one u čijem se džepu nalazi mobilni telefon. Filtriranje sirovih signala ubrzanja je postignutno korišćenjem Batervortovog filtra propusnika niskih učestanosti (desetog reda). Filtrirani signali svake od osa akcelerometra su opisani pomoću tri deskriptora. Nakon izračunavanja deskriptora signala, za svaki deskriptor je formirana funkcija gustine verovatnoće. Postupak za prepoznavanje vežbi se obavlja online unutar Android aplikacije pametnog telefona. Signali dve muške i dve ženske osobe su poslužili kao referenca za prepoznavanje vežbi. Uspešnost prepoznavanja je 94.22% za prepoznavanje tri vežbe, odnosno 85.33% za prepoznavanje sve četiri razmatrane vežbe.

Reference

Xu J. Y., Wang Y., Barrett M., Dobkin B., Pottie G. J., and Kaiser W. J.: ‘Personalized Multilayer Daily Life Profiling Through Context Enabled Activity Classification and Motion Reconstruction: An Integrated System Approach’, IEEE Journal of Biomedical and Health Informatics, 2016, 20, (1), pp. 177-188.

Bonnet V., Joukov V., Kulić D., Fraisse P., Ramdani N., and Venture G: ‘Monitoring of Hip and Knee Joint Angles Using a Single Inertial Measurement Unit During Lower Limb Rehabilitation’, IEEE Sensors Journal, 2016, 16, (6), pp. 1557-1564.

Wang A., Chen G., Yang J., Zhao S., and Chang C. Y.: ‘A Comparative Study on Human Activity Recognition Using Inertial Sensors in a Smartphone’, IEEE Sensors Journal, 2016, 16, (11), pp. 4566-4578

Phan N., Ebrahimi J., Kil D., Piniewski B., and Dou D.: ‘Topic-Aware Physical Activity Propagation in a Health Social Network’, IEEE Intelligent Systems, 2016, 31, (1), pp. 5-14.

Ar I., and Akgul Y. S.: ‘A Computerized Recognition System for the Home-Based Physiotherapy Exercises Using an RGBD Camera’, IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2014. 22, (6), pp. 1160-1171.

Guan Q., Yin X., Guo X., and Wang G.: ‘A Novel Infrared Motion Sensing System for Compressive Classification of Physical Activity’, IEEE Sensors Journal, 2016, 16, (8), pp. 2251-2259.

Toth-Laufer E., and Varkonyi-Koczy A. R.: ‘A Soft Computing-Based Hierarchical Sport Activity Risk Level Calculation Model for Supporting Home Exercises’, IEEE Transactions on Instrumentation and Measurement, 2014, 63, (6), pp. 1400-1411.