تشخیص فعالیت در خانه هوشمند با استفاده از شبکه عصبی کانولوشن (CNN)

پیش بینی شده است که تا سال ۲۰۵۰ رشد جمعیت سالمندان در سطح جهانی از جمعیت جوان پیشی بگیرد. افراد سالخورده نیاز به مراقبت و یاری از سوی اعضای جوانتر خانواده دارند که این امر سبب بروز نگرانی های عاطفی در اعضای خانواده می شود.   تشخیص فعالیت در خانه هوشمند
خانه هوشمند به دلیل توانایی در حمایت از سالمندان در فعالیت های روزانه ، به عنوان یک راه حل مناسب پیشنهاد می شود و تاکنون پیاده سازی آن نتایج مثبتی داشته است و سالمندان را قادر ساخته است تا به طور مستقل در خانه های خود زندگی کنند.
این امر منجر به افزایش تقاضا برای سیستم تشخیص فعالیت در خانه هوشمند شده است. با استفاده از سیستم تشخیص فعالیت می توان فعالیتهای روزمره نظیر دوش گرفتن ، غذا خوردن ، لباس پوشیدن و غیره را زیر نظر گرفت و در صورتی که انجام فعالیتها با الگوهای رفتاری تعیین شده مغایرت داشت، هشدارهای لازم اعمال شود.
در خانه هوشمند برای جمع آوری اطلاعات در مورد فعالیت افراد ساکن از سنسور استفاده می شود. این سنسورها روی اشیاء خانگی مانند خشک کن ، کمد ، توستر و غیره نصب شده اند. سنسورها هنگام تغییر وضعیت شیء فعال می شوند. به عنوان مثال ، باز کردن درب کمد می تواند حسگر متصل به درب کمد را فعال کند.

بنابراین ، هدف از تشخیص فعالیت ، یافتن نقشه بین مشاهدات سنسور ها و فعالیتهای انجام شده توسط شخص است. اگرچه تشخیص فعالیت توجه گسترده ای را به خود جلب کرده است ، اما روش های تشخیص که تاکنون ارائه شده اند، کارایی لازم را نداشته اند. در این تحقیق یک تکنیک تشخیص فعالیت بر اساس شبکه عصبی کانولوشن پیشنهاد شده است.
شبکه‌های عصبی کانولوشن (CNN) یکی از مهمترین روش‌های یادگیری عمیق هستند که در آنها چندین لایه با روشی قدرتمند آموزش میبینند. این شبکه به دلیل توانایی آن در پردازش داده های سری زمانی خام ، کنترل و هندل خطا و دقت مدل بالا برای دسته بندی فعالیت در خانه هوشمند پیشنهاد می شود.

در شبکه‌های عصبی کانولوشن پیشنهادی در مجموع چهار لایه پیچشی و پولینگ داریم تا ویژگی های بیشتری را نسبت به یک لایه قبلی بدست آوریم. در طراحی خود تعداد فیلترها را بعد از هر لایه جمع شدن و استحکام دو برابر کردیم. معماری شبکه پیشنهادی در شکل زیر آمده است:

 برخی از مراجع

۱- Rawashdeh, M., Al Zamil, M. G., Samarah, S., Hossain, M. S., & Muhammad, G. (2020). A knowledge-driven approach for activity recognition in smart homes based on activity profiling. Future Generation Computer Systems, 107, 924-941.
۲-Chua, S. L., Foo, L. K., & Juboor, S. S. D. S. (2020). Towards real-time recognition of activities in smart homes. International Journal of Advanced Intelligence Paradigms, 15(2), 146-164.
۳-Zebin, T., Scully, P. J., Peek, N., Casson, A. J., & Ozanyan, K. B. (2019). Design and implementation of a convolutional neural network on an edge computing smartphone for human activity recognition. IEEE Access, 7, 133509-133520
۴-Swathi, Y., Shanthi, M. B., Kumari, S., & Batni, P. (2019, August). Security Enabled Smart Home Using Internet of Things. In International Conference on Inventive Computation Technologies (pp. 808-814). Springer, Cham.
۵- Rafferty, J., Nugent, C. D., Liu, J., & Chen, L. (2017). From activity recognition to intention recognition for assisted living within smart homes. IEEE Transactions on Human-Machine Systems, 47(3), 368-379.