| dc.description.abstract | Η αναγνώριση ανθρώπινης κίνησης (Human Activity Recognition - HAR) αποτελεί ένα ραγδαία αναπτυσσόμενο πεδίο της υπολογιστικής επιστήμης και της μηχανικής, με ευρεία εφαρμογή στην υγεία, τον αθλητισμό, και την ασφάλεια. Η αναγνώριση δραστηριοτήτων μέσω της καταγραφής της κίνησης ενός ατόμου χρησιμοποιεί φορέσιμους αισθητήρες, όπως επιταχυνσιόμετρα και γυροσκόπια, που τοποθετούνται στο σώμα και καταγράφουν δεδομένα για τη θέση, την ταχύτητα και την επιτάχυνση. Τα δεδομένα αυτά χρησιμοποιούνται για την ανάλυση και αναγνώριση των δραστηριοτήτων μέσω αλγορίθμων μηχανικής μάθησης.
Η παρούσα διπλωματική εργασία επικεντρώνεται στην ανάπτυξη ενός συστήματος για την αναγνώριση ανθρώπινης κίνησης με τη χρήση δεδομένων από φορέσιμους αισθητήρες. Η αναγνώριση της ανθρώπινης κίνησης είναι σημαντική γιατί επιτρέπει την αυτόματη κατηγοριοποίηση καθημερινών δραστηριοτήτων, όπως το περπάτημα και το τρέξιμο, και συμβάλλει στην παρακολούθηση της υγείας και της φυσικής κατάστασης. Η μεθοδολογία της εργασίας περιλαμβάνει την επεξεργασία δεδομένων από το MHEALTH dataset, ένα σύνολο δεδομένων που περιέχει καταγραφές κίνησης από 10 άτομα κατά την εκτέλεση 12 φυσικών δραστηριοτήτων. Αλγόριθμοι μηχανικής μάθησης, όπως τα Decision Trees, Random Forest, Support Vector Machine (SVM), Multilayer Perceptron (MLP) και k-Nearest Neighbor (k-NN), εκπαιδεύτηκαν για την αναγνώριση αυτών των δραστηριοτήτων. Οι αλγόριθμοι αυτοί μπορούν να κατηγοριοποιήσουν αυτόματα τις κινήσεις του ανθρώπου, παρέχοντας χρήσιμες πληροφορίες για την υγεία και τη φυσική του κατάσταση.
Τα αποτελέσματα της μελέτης δείχνουν ότι οι αλγόριθμοι μηχανικής μάθησης, όταν εκπαιδευτούν σωστά, μπορούν να προσφέρουν υψηλή ακρίβεια στην αναγνώριση και κατηγοριοποίηση της ανθρώπινης κίνησης. Συγκεκριμένα, αλγόριθμοι όπως ο k-Nearest Neighbor (k-NN) και το Random Forests είχαν τις καλύτερες επιδόσεις. Η μεθοδολογία αυτή μπορεί να αξιοποιηθεί σε συστήματα παρακολούθησης ασθενών, αθλητικών δραστηριοτήτων και ακόμα και στη φροντίδα ηλικιωμένων, βελτιώνοντας σημαντικά την ποιότητα ζωής. Τέλος, η εργασία επισημαίνει τις προκλήσεις που σχετίζονται με την ανάλυση των δεδομένων από φορέσιμους αισθητήρες, όπως η πολυπλοκότητα των αλγορίθμων και η ανάγκη για μεγάλες ποσότητες δεδομένων για την εκπαίδευση των μοντέλων. Προτείνονται επίσης κατευθύνσεις για μελλοντική έρευνα, όπως η περαιτέρω βελτίωση της ακρίβειας των αλγορίθμων και η ανάπτυξη φορητών συσκευών για την παρακολούθηση σε πραγματικό χρόνο. | en_US |
