IoT Prism Lab
Research Lab at University of Bologna
Research Lab at University of Bologna
Theses
2019 |
Becaccia, Morris Machine Learning per il riconoscimento automatico delle attività umane da smartphone: una valutazione sperimentale Masters Thesis 2019. Abstract | Links | BibTeX | Tags: android, App, Data Mining, Human Activity Recognition, Machine Learning @mastersthesis{amslaurea19576, title = {Machine Learning per il riconoscimento automatico delle attività umane da smartphone: una valutazione sperimentale}, author = {Morris Becaccia}, url = {https://amslaurea.unibo.it/id/eprint/19576}, year = {2019}, date = {2019-01-01}, abstract = {La tesi si occupa di creare un modello di classificazione analizzando dataset riguardanti le Human Activity Recognition. Il lavoro di tesi è stato diviso in due parti. La prima parte tratta lo stato dell'arte, in cui sono stati analizzati e approfonditi i temi di Machine Learning e sistemi HAR. Nella seconda parte è stato descritto il progetto. Il progetto si basa sul processo di Data Mining. Durante tutto il processo di Data Mining sono state fatte valutazioni e sperimentazioni sia durante la fase di pulizia dei dati e di preprocessing, sia durante la fase di classificazione valutando vari algoritmi. Alla fine del processo di Data Mining è stato ottenuto un modello di classificazione soddisfacente. Infine, è stata sviluppata un' applicazione moblie in Android, che accedendo ai valori di due sensori (accelerometro e giroscopio) e servendosi del modello di classificazione già creato, è in grado di riconoscere l'attività svolta dall'utente.}, keywords = {android, App, Data Mining, Human Activity Recognition, Machine Learning}, pubstate = {published}, tppubtype = {mastersthesis} } La tesi si occupa di creare un modello di classificazione analizzando dataset riguardanti le Human Activity Recognition. Il lavoro di tesi è stato diviso in due parti. La prima parte tratta lo stato dell'arte, in cui sono stati analizzati e approfonditi i temi di Machine Learning e sistemi HAR. Nella seconda parte è stato descritto il progetto. Il progetto si basa sul processo di Data Mining. Durante tutto il processo di Data Mining sono state fatte valutazioni e sperimentazioni sia durante la fase di pulizia dei dati e di preprocessing, sia durante la fase di classificazione valutando vari algoritmi. Alla fine del processo di Data Mining è stato ottenuto un modello di classificazione soddisfacente. Infine, è stata sviluppata un' applicazione moblie in Android, che accedendo ai valori di due sensori (accelerometro e giroscopio) e servendosi del modello di classificazione già creato, è in grado di riconoscere l'attività svolta dall'utente. |
2018 |
Zuhouri, Ramy Al Human Activity Recognition in Sports Using the Apple Watch Masters Thesis 2018. Abstract | Links | BibTeX | Tags: Accelerometers, Apple Watch, Fitness Tracking, Human Activity Recognition, Machine Learning, Smartwatch @mastersthesis{amslaurea16106, title = {Human Activity Recognition in Sports Using the Apple Watch}, author = {Ramy Al Zuhouri}, url = {https://amslaurea.unibo.it/id/eprint/16106}, year = {2018}, date = {2018-01-01}, abstract = {With the recent spreading of Internet of Things, the availability of a wide variety of cheap devices brought human activity recognition (HAR) to the broad audience, thus eliminating the need of using costly and obstructive hardware, and to constraint the users to remain in controlled environments. Human activity recognition finds application in the field of health monitoring, safety, context-aware behavior and fitness tracking. This thesis is focused on fitness tracking, with the aim of finding a way to perform activity recognition with a smartwatch in order to automatize activity tracking, exempting the user from manually interacting with the device in order to manage the workout sessions. For this purpose, the intertial sensors of an Apple Watch, along with the GPS and the heart rate monitor were used to train and test an activity recognition model. 4 subjects collected data for 8 different types of aerobic activities, populating a dataset of 4,083 instances, corresponding to about 20 minutes of physical activity for each subject. 9 different machine learning algorithms were evaluated using the holdout validation, trying different combinations of sensor data and features in order to find the optimal configuration. Due to its simplicity, it was chosen to use a decision tree for further validation on unseen data. As expected, the accuracy of the decision tree was higher when validated on the test set, but dropped from 95.42% to 90.73% when tested on unseen data. The use of a history set increased the recognition accuracy up to 92.68%. More conclusions derived from validation: the models were able to recognize activities independently on the wirst location of the watch; moreover, the accelerometer and the gyroscope were enough to obtain a good recognition model, while the GPS and the heart rate monitor did not significantly increase the accuracy.}, keywords = {Accelerometers, Apple Watch, Fitness Tracking, Human Activity Recognition, Machine Learning, Smartwatch}, pubstate = {published}, tppubtype = {mastersthesis} } With the recent spreading of Internet of Things, the availability of a wide variety of cheap devices brought human activity recognition (HAR) to the broad audience, thus eliminating the need of using costly and obstructive hardware, and to constraint the users to remain in controlled environments. Human activity recognition finds application in the field of health monitoring, safety, context-aware behavior and fitness tracking. This thesis is focused on fitness tracking, with the aim of finding a way to perform activity recognition with a smartwatch in order to automatize activity tracking, exempting the user from manually interacting with the device in order to manage the workout sessions. For this purpose, the intertial sensors of an Apple Watch, along with the GPS and the heart rate monitor were used to train and test an activity recognition model. 4 subjects collected data for 8 different types of aerobic activities, populating a dataset of 4,083 instances, corresponding to about 20 minutes of physical activity for each subject. 9 different machine learning algorithms were evaluated using the holdout validation, trying different combinations of sensor data and features in order to find the optimal configuration. Due to its simplicity, it was chosen to use a decision tree for further validation on unseen data. As expected, the accuracy of the decision tree was higher when validated on the test set, but dropped from 95.42% to 90.73% when tested on unseen data. The use of a history set increased the recognition accuracy up to 92.68%. More conclusions derived from validation: the models were able to recognize activities independently on the wirst location of the watch; moreover, the accelerometer and the gyroscope were enough to obtain a good recognition model, while the GPS and the heart rate monitor did not significantly increase the accuracy. |
2017 |
Testoni, Alberto 2017. Abstract | Links | BibTeX | Tags: android, Feature Selection, Human Activity Recognition, Machine Learning, Pattern recognition, Ubiquitous Computing, Wearable Sensors @mastersthesis{amslaurea13267, title = {Progettazione ed implementazione di un sistema generale di Human Activity Recognition attraverso l'utilizzo di sensori embedded ed algoritmi di feature selection}, author = {Alberto Testoni}, url = {https://amslaurea.unibo.it/id/eprint/13267}, year = {2017}, date = {2017-01-01}, abstract = {L'eccezionale sviluppo della microelettronica e dei sistemi informatici verificatosi nell'ultimo decennio ha consentito la nascita di sensori e dispositivi mobili con caratteristiche senza precedenti; l'elevata potenza di calcolo, il basso costo e le ridotte dimensioni hanno fatto diventare questi strumenti parte della nostra vita quotidiana. Gli smartphone dei nostri giorni integrano funzionalità di comunicazione ed elevate capacità computazionali e di sensing, attraverso un largo numero di sensori embedded. I dati provenienti dai sensori presenti sullo smartphone possono fornire informazioni utili circa l'ambiente nel quale si trova l'utente che sta utilizzando il dispositivo; come raccogliere e analizzare queste grandi quantità di dati rispettando la privacy dell'utente costituisce un'importantissima sfida per il futuro, nonché un'area di ricerca molto attiva. Sofisticate tecniche di riconoscimento si occupano di identificare automaticamente l'attività che l'utente sta svolgendo o il veicolo con il quale egli si sta spostando utilizzando i dati provenienti dai sensori dello smartphone; questo processo di inferenza statistica è possibile grazie ai modelli prodotti dagli algoritmi di classificazione. Partendo dallo stato dell'arte nel campo della cosiddetta Human Activity Recognition, si evidenziano alcune importanti domande ancora senza risposta: è possibile costruire un sistema di classificazione affidabile tracciando il maggior numero possibile di sensori? Il processo di classificazione e di creazione del modello può essere spostato su un server remoto in grado di effettuare velocemente operazioni costose? In questa tesi di laurea si cerca di rispondere alle domande appena poste, implementando un sistema di identificazione automatica dell'attività svolta dall'utente costituito da un'applicazione Android e da un server remoto dedicato al processo di classificazione.}, keywords = {android, Feature Selection, Human Activity Recognition, Machine Learning, Pattern recognition, Ubiquitous Computing, Wearable Sensors}, pubstate = {published}, tppubtype = {mastersthesis} } L'eccezionale sviluppo della microelettronica e dei sistemi informatici verificatosi nell'ultimo decennio ha consentito la nascita di sensori e dispositivi mobili con caratteristiche senza precedenti; l'elevata potenza di calcolo, il basso costo e le ridotte dimensioni hanno fatto diventare questi strumenti parte della nostra vita quotidiana. Gli smartphone dei nostri giorni integrano funzionalità di comunicazione ed elevate capacità computazionali e di sensing, attraverso un largo numero di sensori embedded. I dati provenienti dai sensori presenti sullo smartphone possono fornire informazioni utili circa l'ambiente nel quale si trova l'utente che sta utilizzando il dispositivo; come raccogliere e analizzare queste grandi quantità di dati rispettando la privacy dell'utente costituisce un'importantissima sfida per il futuro, nonché un'area di ricerca molto attiva. Sofisticate tecniche di riconoscimento si occupano di identificare automaticamente l'attività che l'utente sta svolgendo o il veicolo con il quale egli si sta spostando utilizzando i dati provenienti dai sensori dello smartphone; questo processo di inferenza statistica è possibile grazie ai modelli prodotti dagli algoritmi di classificazione. Partendo dallo stato dell'arte nel campo della cosiddetta Human Activity Recognition, si evidenziano alcune importanti domande ancora senza risposta: è possibile costruire un sistema di classificazione affidabile tracciando il maggior numero possibile di sensori? Il processo di classificazione e di creazione del modello può essere spostato su un server remoto in grado di effettuare velocemente operazioni costose? In questa tesi di laurea si cerca di rispondere alle domande appena poste, implementando un sistema di identificazione automatica dell'attività svolta dall'utente costituito da un'applicazione Android e da un server remoto dedicato al processo di classificazione. |
Cappella, Matteo Studio e valutazione di tecniche di training per il riconoscimento automatico di attività attraverso dispositivi mobili Masters Thesis 2017. Abstract | Links | BibTeX | Tags: Apprendimento incrementale, Context-aware, Human Activity Recognition, Incremental learning, Machine Learning, Self-training, Transportation Mode Detection @mastersthesis{amslaurea14840, title = {Studio e valutazione di tecniche di training per il riconoscimento automatico di attività attraverso dispositivi mobili}, author = {Matteo Cappella}, url = {https://amslaurea.unibo.it/id/eprint/14840}, year = {2017}, date = {2017-01-01}, abstract = {L'utilizzo degli smartphone è cresciuto rapidamente nel corso dell'ultimo decennio. Questi dispositivi oltre ad avere ottime capacità comunicative, di memoria e di calcolo, sono equipaggiati con numerosi sensori. Quest'ultimi permettono ai ricercatori di raccogliere numerose informazioni riguardanti le persone e il contesto che le circonda. Un aspetto molto importante che è possibile analizzare tramite la raccolta delle informazioni provenienti dai sensori è sicuramente quello del riconoscimento delle modalità di trasporto (Transportation Mode Detection), che consiste, appunto, nell'individuare la classe di mobilità intrapresa da un utente in un determinato momento tramite degli algoritmi di machine learning. In questo elaborato, vengono utilizzate varie tecniche di apprendimento su un dataset contenente cinque differenti classi di trasporto quali stare fermi, camminare, andare in auto, autobus e treno. L'obiettivo che si è cercato di raggiungere è stato quello di verificare la possibilità di riconoscere le modalità di trasporto di un utente di cui non si possiedono informazioni, ovvero un soggetto che non è presente all'interno dell'insieme di dati usati per allenare il modello di predizione. In modo particolare, lo studio si è focalizzato sulla tecnica di apprendimento incrementale attraverso la quale è stato possibile aggiornare il modello con l'aggiunta di nuove informazioni senza perdere la conoscenza acquisita in addestramenti precedenti. Infine, si è indagato sul problema relativo all'etichettatura dei dati. Dato che questa operazione risulta essere molto costosa, nell'elaborato è stata proposta una soluzione basata su tecniche di apprendimento semi-supervisionato che consentono di sfruttare una combinazione di dati etichettati e non.}, keywords = {Apprendimento incrementale, Context-aware, Human Activity Recognition, Incremental learning, Machine Learning, Self-training, Transportation Mode Detection}, pubstate = {published}, tppubtype = {mastersthesis} } L'utilizzo degli smartphone è cresciuto rapidamente nel corso dell'ultimo decennio. Questi dispositivi oltre ad avere ottime capacità comunicative, di memoria e di calcolo, sono equipaggiati con numerosi sensori. Quest'ultimi permettono ai ricercatori di raccogliere numerose informazioni riguardanti le persone e il contesto che le circonda. Un aspetto molto importante che è possibile analizzare tramite la raccolta delle informazioni provenienti dai sensori è sicuramente quello del riconoscimento delle modalità di trasporto (Transportation Mode Detection), che consiste, appunto, nell'individuare la classe di mobilità intrapresa da un utente in un determinato momento tramite degli algoritmi di machine learning. In questo elaborato, vengono utilizzate varie tecniche di apprendimento su un dataset contenente cinque differenti classi di trasporto quali stare fermi, camminare, andare in auto, autobus e treno. L'obiettivo che si è cercato di raggiungere è stato quello di verificare la possibilità di riconoscere le modalità di trasporto di un utente di cui non si possiedono informazioni, ovvero un soggetto che non è presente all'interno dell'insieme di dati usati per allenare il modello di predizione. In modo particolare, lo studio si è focalizzato sulla tecnica di apprendimento incrementale attraverso la quale è stato possibile aggiornare il modello con l'aggiunta di nuove informazioni senza perdere la conoscenza acquisita in addestramenti precedenti. Infine, si è indagato sul problema relativo all'etichettatura dei dati. Dato che questa operazione risulta essere molto costosa, nell'elaborato è stata proposta una soluzione basata su tecniche di apprendimento semi-supervisionato che consentono di sfruttare una combinazione di dati etichettati e non. |