Наличие современных датчиков для миниконтроллеров позволяет их очень эффективно использовать для прогнозирования деятельности человека (HAR), при этом проблема классификации (с небольшими, средними и большими классами), а не регрессии, поскольку точность и отзыв гораздо легче интерпретировать, чем среднюю квадратичную или абсолютную ошибки. Для выполнения данной задачи были извлечены и проанализированы множество характеристик из выходных параметров датчиков. Характеристики варьировались от базовых показателей, таких как среднее и стандартное отклонение показаний акселерометра, до коэффициентов быстрого преобразования Фурье. Чувствительность устройств, правильный выбор датчиков является одним из первых элементов, которые необходимо учитывать при проектировании систем HAR. В экспериментах обнаруживалась переменная производительность, что в значительной степени зависело от сложности обнаружения переходов из статических в динамические в позиции. Результаты показали, что точность определения HAR зависит от месторасположения датчика на теле человека. При этом датчик, расположенный на бедре, является наиболее информативным из всех выбранных наборов. Модель SVM имеет в больших данных низкую скорость классификации, однако, с другой стороны, является вычислительно эффективной для машинного обучения. Применяя несколько методов классификации, стало возможно предсказать деятельность человека с точностью перекрестной проверки на один-один 53, 86 и 98?%, соответственно.

The availability of modern sensors for mini-controllers allows them to be used very effectively for human activity prediction (HAR), with the problem of classification (with small, medium and large classes) rather than regression, since accuracy and feedback are much easier to interpret than the mean quadratic or absolute error. To perform this task, we extracted and analyzed many characteristics from the output parameters of the sensors. Characteristics ranged from baseline values such as mean and standard deviation of accelerometer readings to fast Fourier transform coefficients. Sensitivity of devices, the right choice of sensors is one of the first elements to consider when designing HAR systems. They can be classified using their own mechanisms of perception: namely, external sounding, when the sensors are located in the given places in space and are suitable for everyday wear. HAR applications already use a wide range of devices. The SVM model has a low classification rate in big data, however, on the other hand, it is computationally efficient for machine learning. Using several classification methods, it became possible to predict human activities with a one-to-one accuracy of 53?%, 86?% and 98?%, respectively.