An efficient feature selection method for mobile devices with application to activity recognition

Jia, Peng; Ferguson, Stuart; Rafferty, Karen; Kelly, Paul

doi:10.1016/j.neucom.2011.06.023

Cited by 21 publications

(22 citation statements)

References 51 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Par exemple, Peng et coll. [15] présentent un algorithme fonctionnant sur un appareil mobile qui permet d'extraire certaines caractéristiques utiles à la détection d'activités. Dans le même ordre d'idée, Fuentes et coll.…”

Section: La Detection Des Dangersunclassified

Évaluation d'un risque de chute selon les paramètres de la démarche et étude d'une méthode de transmission à l'aide de stimuli tactiles /

Gagnon¹

2014

View full text Add to dashboard Cite

RÉSUMÉ D'après les statistiques, près du tiers des personnes de 65 ans et plus tombent au moins une fois par année, causant ainsi 60 % des blessures dans ce groupe d'âge. En plus des dommages physiques, ces chutes peuvent causer un impact psychologique dû à la peur de tomber à nouveau. En conséquence, même sans blessure, une chute peut entrainer une perte de confiance et une réduction de la mobilité. Ainsi, ce constat souligne le besoin de fournir des moyens de prévention des chutes.Aux meilleures de notre connaissance, bien qu'il existe de nombreux programmes de prévention de chute, il semble qu'aucun d'entre eux ne fournisse une assistance en temps réel aux personnes à risque de chute. Dans cette optique, deux chercheurs de l'UQAC ont développé une chaussure instrumentée qui permet la détection des risques et l'avertissement à l'utilisateur. Ainsi, ce mémoire s'intéresse à la capacité de ce système pour la détection et l'avertissement. Plus particulièrement, la problématique abordée est de prévenir une chute lors de la marche d'une personne âgée. Elle est abordée sous trois volets : la détection, l'avertissement, et l'apprentissage.Dans le premier volet de ce mémoire, différents facteurs affectant le risque de chutes sont exposés, incluant le type de sol, l'angle du sol, la température extérieure, le taux d'humidité, la fatigue, la médication, la peur de tomber et l'équilibre. Néanmoins, un intérêt particulier est porté sur la démarche, l'un des principaux facteurs de chutes. Ainsi, pour définir le niveau de risque de chute associé à la démarche de l'utilisateur, trois algorithmes sont présentés et évalués. Dans le premier, soit le modèle STAT, certains paramètres de la démarche sont comparés avec leur moyenne statistique respective. Ainsi, plus le pas est différent de la démarche normale de l'utilisateur, plus l'indice de risque augmente. Les deux autres algorithmes, les modèles ANN-RT et ANN-S, utilisent un réseau de neurones pour traiter quatre paramètres de la démarche. La différence entre ces deux modèles réside dans la sélection des paramètres : alors que le modèle ANN-RT utilise des paramètres calculés sur une courte période (dix millisecondes), le modèle ANN-S calcule les paramètres à partir d'une enjambée complète. Par deux évaluations, les trois algorithmes ont démontrés leur capacité à déceler de grands changements dans la démarche ainsi que leur habileté à détecter des variations de la démarche induites par une diminution de l'acuité visuelle. Les résultats préliminaires confirment ainsi l'utilisation des trois algorithmes.Le deuxième volet de ce mémoire s'intéresse à l'avertissement du niveau de risque via des stimuli tactiles sous les pieds, déchargeant ainsi les canaux visuels et auditifs. Plus particulièrement, les travaux sont orientés vers une étude de la perception tactile sous les pieds afin de sélectionner un ensemble de messages tactiles facilement différentiables. Pour ce faire, une carte perceptuelle est d'abord obtenue par une analyse par échelonnement multidimensionnel (Multidimension...

show abstract

Section: La Detection Des Dangersunclassified

Évaluation d'un risque de chute selon les paramètres de la démarche et étude d'une méthode de transmission à l'aide de stimuli tactiles /

Gagnon¹

2014

View full text Add to dashboard Cite

show abstract

“…Automatic recognition of physical activity was previously investigated using Support Vector Machine (SVM) classification [31]- [34] and Fast Artificial Neural Network (FANN) classification [35]. In particular, fall detection was also investigated using only the accelerometer in a cell phone [36]- [38].…”

Section: B Softwarementioning

confidence: 99%

Toward an augmented shoe for preventing falls related to physical conditions of the soil

Otis

Ménélas

2012

2012 IEEE International Conference on Systems, Man, and Cybernetics (SMC)

View full text Add to dashboard Cite

Abstract-It is known that the physical conditions of an environment might represent an important risk of falling. In this paper, we report an ongoing project toward the creation of intelligent clothes aiming at preventing falls related to such conditions. The package described here is centered on an intelligent shoe. The developed prototype counts two main parts: hardware and software. The material is composed of a set of sensors and actuators, distributed in strategic positions of the shoe, while the software is a soft real-time system running on a Smartphone. Our prototype has been served for the differentiation of physical properties of soils (concrete, broken stone, sand and dust stone).

show abstract

“…For data classification a two-stage feature selection algorithm has been developed [6]. A fast two-stage subset selection algorithm is combined with a model-based variable selection approach to give an efficient algorithm applicable for smartphones.…”

Section: Algorithmic Techniquementioning

confidence: 99%

“…However Peng et al [6] have developed a new approach to automatic activity classification, which is practically memory efficient and capable of real-time classification on a smartphone without the need to calculate the algorithm on an external device. Other applications that employ an activity recognition algorithm such as CenceMe [7] for social networking, the MSP and its real-world deployments as described in [8] or sensor networking systems such as those in [9], either require processing on back-end servers, are external custommade devices, or require extra external sensors than those provided within the phone itself.…”

Section: Introductionmentioning

confidence: 99%

Practical automated activity recognition using standard smartphones

Stewart

Ferguson

Jia

et al. 2012

2012 IEEE International Conference on Pervasive Computing and Communications Workshops

Self Cite

View full text Add to dashboard Cite

show abstract

An efficient feature selection method for mobile devices with application to activity recognition

Cited by 21 publications

References 51 publications

Évaluation d'un risque de chute selon les paramètres de la démarche et étude d'une méthode de transmission à l'aide de stimuli tactiles /

Évaluation d'un risque de chute selon les paramètres de la démarche et étude d'une méthode de transmission à l'aide de stimuli tactiles /

Toward an augmented shoe for preventing falls related to physical conditions of the soil

Practical automated activity recognition using standard smartphones

Contact Info

Product

Resources

About