Daily Human Activity Recognition in Smart Home based on Feature Selection, Neural Network and Load Signature of Appliances
La reconnaissance de l'activité humaine à l'intérieur de la maison en se basant sur la sélection des fonctionnalités, réseau de neurones et la signature de charge des appareils.
Résumé
A smart home is a standard residence that was improved and equipped with all kinds of sensors and effectors in order to provide services to its residents. One of the most key subjects and input to several smart home applications (e.g. healthcare and home security) is the recognition of activities of a resident’s daily living. Being able to automate the activity recognition from human motion patterns is challenging because of the complexity of the human life inside home either by one or multiple residents. To surmount all databases complexity, several algorithms of features selection and machine learning were tested in order to increase the human activity recognition accuracy. Another major challenge to cope with is
to reduce the costs of maintenance and installation of sensors at home. These sensors, despite their modest costs, are generally out of reach of most people. To overcome this challenge, we used another approach based on household appliances recognition as sensors that detect human interaction with appliances and resident movements. This study aims to solve the complexity of human activity recognition and increase accuracy by proposing two different approaches. The first approach is based on recognizing human activities using ambient sensors (motion and door sensors), neural and deep neural network combined with several feature selection methods in order to compare results and define the influence of each one in learning accuracy. The second approach is based on load signatures of appliances presented using an Intrusive Load Monitoring in order to identify the most accurate classifier suitable for appliances recognition. Once determined, the next phase is to know resident activities through appliances recognition. Each part of our methodologies is thoroughly tested, and the results are discussed.
Une maison intelligente est une résidence dotée de capteurs et des outils technologiques, permettant la surveillance et la gestion à distance des systèmes tels que l’éclairage, le chauffage, etc. Afin de mettre en service la plupart des applications de la maison intelligente, il faut reconnaître les activités quotidiennes de la personne résidente. L’automatisation la reconnaissance d'activité à partir des données délivrées par les capteurs présente, en elle même, une difficulté en raison de la complexité et la diversité des mouvements des résidents. De plus, les coûts de la maintenance et de l’installation de système de capteurs à l’intérieur de la maison, restent généralement hors de portée de la plupart des gens.
Partant de ces deux problématiques, nous avons mené notre thèse doctorale qui a pour objectif de résoudre la difficulté de la reconnaissance de l'activité humaine et augmenter sa précision.
Pour se faire, nous avons proposé deux approches différentes. La première est basée sur la sélection des caractéristiques et l’apprentissage à base de réseaux neuronaux. Les réseaux neuronaux sont combinés à plusieurs méthodes de sélection de caractéristiques pour comparer les résultats et définir l'influence de chaque approche sur la précision et l'apprentissage. La seconde approche est basée sur les signatures de charge des appareils électriques. Ces signatures sont présentées à l’aide d’un prétraitement automatique basé sur la surveillance de charge intrusive. Cette charge permet d’identifier le classificateur le plus adéquat à la reconnaissance des appareils électriques et donc à la reconnaissance de l'activité humaine.
Chaque partie de nos méthodologies est minutieusement testé et les résultats sont discutés.
Origine : Fichiers produits par l'(les) auteur(s)
Loading...