Кислий, Роман ВолодимировичЦибін, Максим Дмитрович2024-05-242024-05-242024Цибін, М. Д. Самонавчальні системи для розпізнавання людської діяльності : магістерська дис. : 122 Комп’ютерні науки / Цибін Максим Дмитрович. – Київ, 2024. – 103 с.https://ela.kpi.ua/handle/123456789/66886Актуальність 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 - 387.103 с.ukрозпізнавання людської діяльностінавчання з підкріпленняммашинне навчанняштучний інтелектhuman activity recognitionreinforcement learningmachine learningartificial intelligenceMaster Thesis004.67