Proyecto:

1. EL4106: Inteligencia Computacional Proyecto: Clasificador de actividades físicas Primer Avance Profesor: Javier Ruiz del Solar Auxiliar: Daniel Hermann P. Ayudante: Felipe Valdés Alumno: Sebastián Gálvez

2. Observación de Mediciones • Señales temporales:

3. Observación de Mediciones • En señales como las del magnetómetro en X es imposible aumentar el numero de muestras dividiendo un ejemplo sin que cambie mucho la señal. • Es complejo analizar qué actividades físicas poseen señales similares considerando las 9 mediciones temporales.

4. Observación de Mediciones • Grandes diferencias de varianza al observar Aceleración en Z

5. Observación de Mediciones • Grandes diferencias de varianza al observar Aceleración en Z

6. Observación de Mediciones • Grandes diferencias de varianza al observar Aceleración en Z

7. Metodología de resolución • Se propone definir Macro Clases: • Movimiento leve: GymBiking Standing • Movimiento medio: Biking Climbing Descending Walking • Movimiento fuerte: Running Jumping Treadmill

8. Características Preliminares • Se calculan las siguientes características a cada señal de medición • Media • Varianza • Máximo • Mínimo • Rango • Energía Total Total: 54 características. Otras Características Propuestas sin calcular aún: • Energía para bajas frecuencias • Energía para altas frecuencias • Frecuencia dominante

9. Selección de Características • Una vez definidas todas las características a explorar se seleccionarán las más aptas para cada etapa de clasificación. • Para cada clasificador se seleccionaran características mediante el método de eliminación. • Se partirá con un número grande de características y se irán eliminando una a una cuidando que el clasificador mantenga su rendimiento.

10. Cascada de Clasificadores • Se propone primera capa de clasificación entre «Movimiento Leve» y «Movimiento medio y fuerte» utilizando un clasificador SVM. • Posteriores capas por definir, se evaluará uso de Redes Neuronales y SVM en algunos casos. • Por ahora se descarta utilizar un clasificador Bayesiano debido a la baja cantidad de muestras.

11. MacroClasificador SVM primera capa • Resultados utilizando Parámetro C=1y Kernel Gaussiano con σ=1 • Curva ROC considerando las 54 características

12. MacroClasificador SVM primera capa • Curva ROC considerando sólo Varianza, Rango, Energía Total para señales de aceleración y aceleración angular para x,y,z.

13. MacroClasificador SVM primera capa • Curva ROC considerando sólo Varianza, Energía Total para señales de aceleración y aceleración angular en x,y,z.

14. MacroClasificador SVM primera capa • Curva ROC considerando sólo Varianza, Rango, Energía Total para señales de aceleración y aceleración angular sólo en z.

15. Clasificador Segunda Capa • Para clasificar cada clase dentro de la macro clase «Movimiento leve» ya clasificada, se propone utilizar nuevamente un SVM. • Se deben analizar con más detalle las características a utilizar. • Se debe entrenar con los datos del conjunto de entrenamiento clasificados por la primera capa.

16. Clasificador Segunda Capa • Separar con SVM las macroclases «Movimiento Medio» y «Movimiento Fuerte». • Utilizar Red Neuronal para la capa final en cada una de estas macroclases. • Evaluar uso de clasificador Bayesiano para la última capa si no se utilizan características extraídas de las mediciones del magnetómetro y se puede aumentar el número de muestras.

17. Diagrama de Clasificación GymBiking «Mov. Leve» SVM2 Standing Biking SVM1 RNA/ Bayes1 «Mov. Medio» Climbing Descending SVM3 Walking «Mov. Medio y Fuerte» RNA/ Bayes2 Running «Mov. Fuerte» Jumping Treadmill

18. Carta GANTT