Activity classification using a single wrist-worn accelerometer

Abstract

Automatic identification of human activity has led to a possibility of providing personalised services in different domains i.e. healthcare, security and sport etc. With advancement in sensor technology, automatic activity recognition can be done in an unobtrusive and non-intrusive way. The placement of the sensor and wearability are ones of vital keys in the successful activity recognition of free space livings. Experiments were carried out to investigate the use of a single wrist-worn accelerometer for automatic activity classification. The performances of two classification algorithms namely Decision Tree C4.5 and Artificial Neural Network were compared using four different sets of features to classify five daily living activities. The result revealed that Decision Tree C4.5 has outperformed Neural Network regardless of the different sets of features used. The best classification result was achieved using the set containing the most popular and accurate features i.e. mean, minimum, energy and sample differences etc. The best accuracy of 94.13% was achieved using only wrist-worn accelerometer showing a possibility of automatic activity classification with no movement constrain, discomfort and stigmatisation caused by the sensor.

The Usage of Statistical Learning Methods on Wearable Devices and a Case Study: Activity Recognition on Smartwatches

“…Three different computational intelligence techniques were evaluated in order to search for the best performance of the recognition of the movements executed by the watch user. Chernbumroong et al [8] studied classification of five human activities by using only accelerometer data and two learning algorithms: Artificial Neural Networks and Decision Tree C4.5.…”

A Study on Meal Time Estimation and Eating Behavior Recognition Considering Movement Using Wrist-Worn Accelerometer with Its Frequency

“…하 지만 이러한 방식들은 번거로울뿐더러 기억과 주관에 의존 하기 때문에 정확도가 떨어진다는 단점이 있다. 이러한 문 제를 해결하기 위해 IT 기술을 이용하여 사용자의 움직임을 자동으로 기록하고, 이를 바탕으로 행동을 인식하는 방법이 제안되었다 [6][7][8][9][10][11][12]. 대표적인 방법으로 영상을 이용하여 사용 자의 행동을 기록하고, 기록한 영상으로부터 사용자의 행동 을 인식하는 방법이 있다 [6].…”

“…두 번째는 다중 가속도 센서를 가슴, 복부, 허리, 바지주머니와 같이 신체 여러 부위에 착용하고 행동을 인식하는 방법으로, 다종 센서와 마찬가지로 행동 인식의 정확도가 높지만 여러 센서를 착용해야 하므로 사용자의 불편함을 야기한다 [8]. 마 지막으로 단일 가속도 센서를 이용하는 방법은 정확도가 조 금 떨어진다는 단점이 있지만 배터리 소모량이 적고 사용자 가 불편함을 느끼지 않아 일상생활 데이터를 수집하기에 적 합하다 [9].…”

“…기존 연구에서는 주로 다양한 특징들을 사용하고 여러 분 류 모델을 결합함으로써 인식률을 높이는 데 주력해 왔다 [9][10][11][12]. Saisakul Chernbumroong은 손목형 가속도계를 이용 하여 행동을 인식하기 위해 9종류, 13개의 특징을 사용하였 고 2가지의 분류기를 사용하여 성능을 비교하였다 [9].…”

“…Saisakul Chernbumroong은 손목형 가속도계를 이용 하여 행동을 인식하기 위해 9종류, 13개의 특징을 사용하였 고 2가지의 분류기를 사용하여 성능을 비교하였다 [9]. Uwe Maurer은 10종류, 40개의 특징을 사용하여 4가지 분류기 성 능을 비교한 결과 인식률이 높고 연산강도가 낮은 의사결정 트리를 사용하였다 [10].…”