Самонавчальні системи для розпізнавання людської діяльності

Скорочена інформація про документ
dc.contributor.advisorКислий, Роман Володимирович
dc.contributor.authorЦибін, Максим Дмитрович
dc.date.accessioned2024-05-24T06:17:55Z
dc.date.available2024-05-24T06:17:55Z
dc.date.issued2024
dc.description.abstractАктуальність теми магістерської дисертації полягає у тому, що розробка системи розпізнавання людської діяльності з використанням навчання з підкріпленням може сильно допомогти людям відстежувати свої показники коректно, та на основі отриманих даних отримувати актуальні рекомендації від лікарів або тренерів, наприклад якщо мова йде про спортивну чи побутову активність. Особливо це актуально для тих чия рухова поведінка може відрізнятися від загальноприйнятої, це можуть бути люди з певними вадами, або ті що знаходяться у процесі реабілітації після травм, операцій. Таким чином темою дослідження є покращення адаптивності систем розпізнавання людської діяльності(HAR) під конкретного користувача, враховуючи його особливості рухів та зміни рухової поведінки з часом за допомогою методів Reinforcement Learning. Мета та задачі дослідження. Метою цього дослідження є дослідити та покращити адаптивність систем розпізнавання людської діяльності(HAR) під конкретного користувача, враховуючи його особливості рухів та зміни рухової поведінки з часом за допомогою методів Reinforcement Learning. Для досягнення мети були поставлені такі задачі: 1) Аналіз методів та систем розпізнавання людської діяльності на основі сенсорів з особистих пристроїв. 2) Аналіз методів створення систем машинного навчання з використанням reinforcement learning. 3) Розробка власної системи з використанням навчання з підкріпленням для розпізнавання людської діяльності. 4) Аналіз роботи даної системи, визначення можливостей покращити її. Об’єкт дослідження: системи машинного навчання для розпізнавання людської діяльності з використанням навчання з підкріпленням. Предмет дослідження: системи машинного навчання для розпізнавання людської діяльності, що базуються на навчанні з підкріпленням, а також дані про активності людей та зворотній зв’язок, що використовується для навчання цих систем. Наукова новизна. Більшість з існуючих систем розпізнавання людської діяльності є закритими та не дозволяють вільно використовуватися та доповнюватися сторонніми розробниками. Також ці системи часто не коректно розпізнають людську діяльність і не адаптуються під конкретну людину, й навпаки можуть з часом деградувати. Перевагою нашої розробленої системи є сильна адаптивність під конкретного користувача, навіть якщо з часом його рухова поведінка змінюється, система підлаштовується автоматично, а також можливість доповнювати і покращувати систему та впроваджувати її у інші додатки. Також дуже нетиповим є використання навчання з підкріпленням для нашої задачі класифікації. Це є поштовхом для подальших досліджень і покращень таких систем. Приклади можливих застосувань та практичної цінності результатів магістерської роботи: 1) Розроблену систему можливо інтегрувати у мобільний додаток смартфону, або смарт годинника для розпізнавання спортивних та щоденних активностей. Також можна інтегрувати з медичними системами для аналізу показників. 2) Розроблена система гнучка, її можна доповнювати і покращувати для майбутніх наукових досліджень. 3) Є показовим результатом успішного застосування reinforcement learning у задачах класифікації. Публікація: 1. Самонавчальна система розпізнавання людської діяльності з використанням навчання з підкріпленням /Цибін М. Д., Кислий Р. В. // Системні науки та інформатика: збірник доповідей ІІ науково-практичної конференції «Системні науки та інформатика», 4–8 грудня 2023 року, Київ. – К., НН ІПСА КПІ ім. Ігоря Сікорського, 2023. – с. 382 - 387.
dc.description.abstractotherThe relevance of the master's thesis topic lies in the development of a human activity recognition system using reinforcement learning, which can significantly assist individuals in tracking their metrics accurately. Based on the obtained data, it can provide relevant recommendations from doctors or trainers, especially in sports or daily activities. This is particularly relevant for individuals whose movement behavior may differ from the norm, such as people with specific disabilities or those undergoing rehabilitation after injuries or surgeries. Therefore, the aim was to investigate and enhance the adaptability of Human Activity Recognition (HAR) systems for specific users, considering their movement patterns and changes over time using Reinforcement Learning methods. Research Objective and Tasks. The aim of this research is to investigate and enhance the adaptability of Human Activity Recognition (HAR) systems for specific users, considering their movement patterns and changes over time using Reinforcement Learning methods. To achieve this aim, the following tasks were outlined: 1) Analysis of methods and systems for human activity recognition based on personal device sensors. 2) Analysis of methods for creating machine learning systems using reinforcement learning. 3) Development of a proprietary system using reinforcement learning for human activity recognition. 4) Analysis of the developed system's performance and identification of possibilities for improvement. Research Object: Machine learning systems for human activity recognition using reinforcement learning. Research Subject: Machine learning systems for human activity recognition based on reinforcement learning, as well as data on human activities and feedback utilized for training these systems. Scientific Novelty. Most existing human activity recognition systems are closed and do not allow easy integration or supplementation by third-party developers. Additionally, these systems often fail to accurately recognize human activities and do not adapt to individual users. Conversely, they might degrade over time. The advantage of our developed system lies in its strong adaptability to individual users. Even if their movement behavior changes over time, the system adjusts automatically. Furthermore, it allows for supplementation, enhancement, and integration into other applications. The use of reinforcement learning for our classification task is also highly unconventional, serving as a catalyst for further research and improvements in such systems. Examples of Possible Applications and Practical Value of Master's Work 1) The developed system can be integrated into a smartphone's mobile application or a smartwatch for recognizing sports and daily activities. It can also be integrated with medical systems for analyzing health indicators. 2) The developed system is flexible and can be augmented and improved for future scientific research. 3) It serves as a demonstrative success of applying reinforcement learning in classification tasks. Publication: 1. "Self-learning Human Activity Recognition System using Reinforcement Learning / Tsybin M. D., Kyslyi R. V. // Systems Sciences and Informatics: Proceedings of the II Scientific-Practical Conference "Systems Sciences and Informatics", December 4-8, 2023, Kyiv. – K., NN IPSA Igor Sikorsky KPI, 2023. – pp. 382-387.
dc.format.extent103 с.
dc.identifier.citationЦибін, М. Д. Самонавчальні системи для розпізнавання людської діяльності : магістерська дис. : 122 Комп’ютерні науки / Цибін Максим Дмитрович. – Київ, 2024. – 103 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/66886
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectрозпізнавання людської діяльності
dc.subjectнавчання з підкріпленням
dc.subjectмашинне навчання
dc.subjectштучний інтелект
dc.subjecthuman activity recognition
dc.subjectreinforcement learning
dc.subjectmachine learning
dc.subjectartificial intelligence
dc.subject.udc004.67
dc.titleСамонавчальні системи для розпізнавання людської діяльності
dc.title.alternativeReinforcement learning for human activity recognition
dc.typeMaster Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Tsybin_magistr.pdf
Розмір:
2.08 MB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Магістерські роботи (СП)
Магістерські роботи