Skeletal Data based Activity Recognition System

Ashwini, K.; Amutha, R.; raj, S Aswin

doi:10.1109/iccsp48568.2020.9182132

Cited by 9 publications

(6 citation statements)

References 11 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…HAR is carried out using statistical characteristics and principal component analysis, proposed in ref. [19], and globally contextualized attention LSTM [20]. To tackle the sensor-based HAR challenges, ref.…”

Section: Related Workmentioning

confidence: 99%

Hybrid deep learning model-based human action recognition in indoor environment

Sain,

Laskar,

Singha

et al. 2023

Robotica

View full text Add to dashboard Cite

Human activity recognition (HAR) is an emerging challenge among researchers. HAR has many possible uses in various fields, including healthcare, sports, and security. Furthermore, there are only a few publicly accessible datasets for classifying and recognizing physical activity in the literature, and these datasets comprise fewer activities. We created and compared our dataset with available datasets, that is, NTU-RGBD, UP-FALL, UR-Fall, WISDM, and UCI HAR. The proposed dataset consists of seven activities: eating, exercise, handshake, situps, vomiting, headache, and walking. The activities were collected from 20 people between the ages of 25 and 40 years using Kinect V2 sensor at 30 FPS. For classification, we use deep learning architectures based on convolutional neural network (CNN) and long short-term memory (LSTM). Additionally, we developed a novel hybrid deep learning model by combining a CNN, a bidirectional LSTM unit, and a fully connected layer for activity identification. The suggested model builds unique guided features using the preprocessed skeleton coordinates and their distinctive geometrical and kinematic aspects. Results from the experiment are contrasted with the performance of stand-alone CNNs, LSTMs, and ConvLSTM. The proposed model’s accuracy of 99.5% surpasses that of CNN, LSTM, and ConvLSTM, which have accuracy rates of 95.76%, 97%, and 98.89%, respectively. Our proposed technique is invariant of stance, speed, individual, clothes, etc. The proposed dataset sample is accessible to the general public.

show abstract

Section: Related Workmentioning

confidence: 99%

Hybrid deep learning model-based human action recognition in indoor environment

Sain,

Laskar,

Singha

et al. 2023

Robotica

View full text Add to dashboard Cite

show abstract

“…Sistem pendeteksi kantuk tak lepas dari teknologi sensor yang digunakan untuk mendeteksi fitur wajah pengemudi. Tiga teknologi sensor yang umum digunakan adalah kamera RGB, sensor kedalaman, dan perangkat seluler [1]. Salah satu teknik deteksi tidur adalah kerangka deteksi landmark wajah berbasis database.…”

Section: Pendahuluanunclassified

“…Tiga teknologi sensor yang umum digunakan adalah kamera RGB, sensor kedalaman, dan perangkat wearable [5]. Salah satu teknik yang digunakan dalam deteksi kegugupan adalah kerangka kerja sistem identifikasi landmark wajah berbasis data [1]. Pengenalan tingkat kantuk manusia menggunakan kamera konvensional agak terbatas karena tidak dapat mendeteksi informasi internal tubuh manusia dan berbagai peristiwa yang sering tidak terlihat dengan baik.…”

Section: Metode Penelitianunclassified

“…Selain itu, tingkat kantuk dapat diidentifikasi melalui gerakan mata. Sebelum terjadi kegugupan, mungkin tidak ada gerakan pupil, frekuensi kedipan yang berkurang, atau keadaan menguap [1]. Dalam penelitian ini, pendekatan yang menggunakan identifikasi visual dan menggunakan sensor untuk mendeteksi pengemudi yang teridentifikasi menggunakan sensor.…”

Section: Metode Penelitianunclassified

“…Proses klasifikasi melibatkan beberapa teknik. Analisis Komponen Utama (PCA) umum digunakan untuk menemukan jumlah data yang lebih kecil dan tidak berkorelasi untuk mengurangi dimensi fitur [1]. Teknik klasifikasi lain yang diurutkan berdasarkan perkembangan historis adalah K-Nearest Neighbor (KNN) classifier [1] dan SVM [1,2,7,10,13], Hyper-sphere Multi-class SVM [6], Naive-Bayes [9,10], Random Forest [10], Multilayer Perceptron (MLP) [7,10], Convolutional Neural Networks (CNN) [4,8,13], LSTM [12,14,15,16,17], ResNet [20], Transformer [21,22,23].…”

Section: Metode Penelitianunclassified

See 2 more Smart Citations

Sistem Peringatan Tersemat untuk Pengemudi Mengantuk

Sari¹,

Enriko²

2023

JRRE

View full text Add to dashboard Cite

Pendeteksian Driver Drowsiness (DDD) merupakan teknologi keselamatan kendaraan penting yang dirancang untuk mencegah kecelakaan akibat kantuk pengemudi. Dalam penelitian ini, pendekatan baru diajukan menggunakan model jaringan saraf konvolusi (CNN) ringan yang terdiri dari 44.853 parameter. Berkat ke ringanannya, model ini bekerja secara efisien bahkan pada perangkat dengan sumber daya terbatas. Hasil percobaan menunjukkan kinerja kompetitif model ini dibandingkan dengan model yang ada dengan ukuran input dan jumlah parameter yang lebih besar. Dalam hal akurasi, metode ini mencapai akurasi sebesar 92,06% pada dataset Curtin Emotion Wheels (CEW) yang mengesankan. Bahkan dalam kondisi pencahayaan yang sulit, performa model ini tetap luar biasa jika digabungkan dengan kamera termal. Secara khusus, model ini mencapai akurasi yang luar biasa sebesar 95,10% pada jarak kamera 0,3-meter dari wajah pengemudi. Selain itu, metode ini memiliki karakteristik kecepatan yang sangat baik, sehingga cocok digunakan pada perangkat tertanam. Kecepatan rata-rata perangkat Raspberry Pi 4 diperkirakan mencapai 5 frames per detik (FPS). Hal ini menunjukkan kepraktisan dan kelayakan penerapan pendekatan ini dalam skenario waktu nyata, yang semakin meningkatkan keselamatan pengemudi.

show abstract