Áp dụng học tăng cường cho bài toán nhận dạng hành động hàng ngày sử dụng dữ liệu từ cảm ứng đơn giản

Áp dụng học tăng cường cho bài toán nhận dạng hành động hàng ngày sử dụng dữ liệu từ cảm ứng đơn giản Tạ Việt Cường Trường Đại học Công nghệ Chuyên ngành: Khoa học máy tính; Mã số: 60

Áp dụng học tăng cường cho bài toán nhận dạng hành động hàng ngày sử dụng dữ liệu từ cảm

ứng đơn giản

Tạ Việt Cường

Trường Đại học Công nghệ Chuyên ngành: Khoa học máy tính; Mã số: 60 48 01 Người hướng dẫn: PGS TS Bùi Thế Duy

Năm bảo vệ: 2012

Abstract: Nhận dạng hoạt động hàng ngày trong môi trường thông minh là một

vấn đề đáng quan tâm đối với nhiều ứng dụng trong hệ thống nhà thông minh Hệ thống cần phải có khả năng nhận dạng các hành động thay đổi theo thói quen của người sử dụng Cho đến nay, đã có một số các mô hình học máy được áp dụng vào việc nhận dạng hành động Tuy nhiên, hầu hết đều chỉ hoạt động tốt trong trường hợp dữ liệu huấn luyện đã được xác định khi học Trong khi đó, thói quen của người sự dụng trong môi trường nhà thông minh thay đổi theo thời gian, điều này yêu cầu các thuật toán học máy phải có khả năng cập nhật lại mô hình khi có dữ liệu mới

Keywords: Khoa học máy tính; Bài toán nhận dạng; Khai thác dữ liệu; Dữ liệu từ

Table of Contents

1.1 Overview 2

1.2 Our Works 3

1.3 Thesis Outline 4

2 Related Work 5 2.1 Daily Activity Recognition in Smart Home System 5

2.2 Daily Activity Recognition approach 6

2.3 Incremental learning model 7

3 Framework for Activity Recognition in the Home Environment 10 3.1 Data Acquisition 10

3.2 Data annotation 12

3.3 Feature extraction 12

3.4 Segmentation 14

4 Growing Neural Gas model 15 4.1 GNG structure 15

4.1.1 Competitive Hebbian Learning 17

4.1.2 Weights Adapting 18

4.1.3 New Node Insertion 19

4.2 Using GNG network for supervised learning 23

4.2.1 Separated Weighted Euclid 24

4.2.2 Reduce Overlapping Regions by Using a Local Error Threshold 25 5 Radial Basic Function network 27 5.1 Standard Radial Basic Function 27

5.2 Incremental Radial Basic Function 29

iv

TABLE OF CONTENTS v

Anastasi, G., Conti, M., Falchi, A., Gregori, E., & Passarella, A (2004) Perfor-mance measurements of motes sensor networks In MSWiM 04: Proceedings of the 7th ACM international symposium on Modeling, analysis and simulation of wireless and mobile systems (pp 174–181) ACM Press

Brdiczka, O., Maisonnasse, J., & Reignier, P (2005) Automatic detection of in-teraction groups Proceedings of the 7th international conference on Multimodal interfaces (pp 32–36) New York, NY, USA: ACM

Carpenter, G A., Grossberg, S., Markuzon, N., Reynolds, J H., & Rosen, D B (1992) Fuzzy artmap: A neural network architecture for incremental supervised learning of analog multidimensional maps IEEE Transactions on Neural Net-works, 3, 698–713

Chen, C., Das, B., & Cook, D (2010) A data mining framework for activity recogni-tion in smart environments Intelligent Environments IE 2010 Sixth Internarecogni-tional Conference on, 80–83

Cook, D J., Augusto, J C., & Jakkula, V R (2009) Ambient intelligence: Tech-nologies, applications, and opportunities Pervasive and Mobile Computing, 5, 277–298

Cook, D J., & Schmitter-Edgecombe, M (2009) Assessing the quality of activities

in a smart environment Methods of Information in Medicine, 48, 480–485

Cover, T., & Hart, P (1967) Nearest neighbor pattern classification IEEE Trans-actions on Information Theory, 13, 21–27

Doctor, F., Hagras, H., & Callaghan, V (2005) A fuzzy embedded agent-based

37

Bibliography 38

approach for realizing ambient intelligence in intelligent inhabited environments IEEE Transactions on Systems, Man, and Cybernetics, Part A, 35, 55–65

Freund, Y., & Schapire, R (1995) A desicion-theoretic generalization of on-line learning and an application to boosting Computational learning theory, 904, 23– 37

Fritzke, B (1993) Growing cell structures - a self-organizing network for unsuper-vised and superunsuper-vised learning Neural Networks, 7, 1441–1460

Fritzke, B (1995) A growing neural gas network learns topologies Advances in Neural Information Processing Systems 7 (pp 625–632) MIT Press

Gottfried, B., Guesgen, H W., & H¨ubner, S (2006) Designing smart homes chapter Spatiotemporal reasoning for smart homes, 16–34 Berlin, Heidelberg: Springer-Verlag

Hamker, F H (2001) Life long learning cell structures continuously learning with-out catastrophic interference Neural Netw., 14, 551–573

Hastie, T., & Tibshirani, R (1996) Discriminant adaptive nearest neighbor classi-fication IEEE Trans Pattern Anal Mach Intell., 18, 607–616

Helal, S., Mann, W., El-Zabadani, H., King, J., Kaddoura, Y., & Jansen, E (2005) The gator tech smart house: A programmable pervasive space Computer, 38, 50–60

Joshi, P., & Kulkarni, P (2012) Incremental learning: Areas and methods a survey International Journal of Data Mining and Knowledge Management Process, 2

Kohonen, T (1989) Self-organization and associative memory: 3rd edition New York, NY, USA: Springer-Verlag New York, Inc

Kruschke, J K (1992) Alcove: an exemplar-based connectionist model of category learning Psychological Review, 99, 22–44

L¨uhr, S., West, G., & Venkatesh, S (2007) Recognition of emergent human

be-Bibliography 39

Macqueen, J B (1967) Some Methods for classification and analysis of multivariate observations Procedings of the Fifth Berkeley Symposium on Math, Statistics, and Probability (pp 281–297) University of California Press

Madden, S., & Franklin, M J (2002) Fjording the stream: An architecture for queries over streaming sensor data Proceedings of the 18th International Confer-ence on Data Engineering (pp 555–) Washington, DC, USA: IEEE Computer Society

Martinetz, T (1993) Competitive Hebbian Learning Rule Forms Perfectly Topology Preserving Maps Proc ICANN’93, Int Conf on Artificial Neural Networks (pp 427–434) London, UK: Springer

Martinetz, T., & Schulten, K (1991) A neural-gas network learns topologies Ar-tificial Neural Networks, 1, 397–402

Moody, J., & Darken, C J (1989) Fast learning in networks of locally-tuned processing units Neural Comput., 1, 281–294

M¨uhlenbrock, M., Brdiczka, O., Snowdon, D., & Meunier, J.-L (2004) Learning

to detect user activity and availability from a variety of sensor data Proceed-ings of the Second IEEE International Conference on Pervasive Computing and Communications (PerCom’04) (pp 13–) Washington, DC, USA: IEEE Computer Society

Polikar, R., Byorick, J., Krause, S., Marino, A., & Moreton, M (2002) Learn++:

a classifier independent incremental learning algorithm for supervised neural net-works

Rashidi, P., & Cook, D J (2009) Keeping the resident in the loop: Adapting the smart home to the user

Rashidi, P., & Cook, D J (2010) Mining sensor streams for discovering human activity patterns over time Time, 431–440

Rashidi, P., Cook, D J., Holder, L B., & Schmitter-Edgecombe, M (2011) Discov-ering activities to recognize and track in a smart environment IEEE Transactions

on Knowledge and Data Engineering, 23, 527–539

Bibliography 40

Tapia, E M., Intille, S S., & Larson, K (2004) Activity recognition in the home using simple and ubiquitous sensors Pervasive Computing, 3001, 158–175

Van Kasteren, T., Noulas, A., Englebienne, G., & Krse, B (2008) Accurate activity recognition in a home setting Proceedings of the 10th international conference on Ubiquitous computing UbiComp 08, 344, 1

Wren, C R., & Tapia, E M (2006) Toward scalable activity recognition for sensor networks Networks, 3987, 168–185