ETD

Archivio digitale delle tesi discusse presso l'Università di Pisa

Tesi etd-05222009-100312


Tipo di tesi
Tesi di laurea specialistica
Autore
MANNINI, ANDREA
URN
etd-05222009-100312
Titolo
Studio e implementazione di metodi per la classificazione automatica di movimenti umani basata su dati accelerometrici
Dipartimento
INGEGNERIA
Corso di studi
INGEGNERIA BIOMEDICA
Relatori
Relatore Prof. Sabatini, Angelo Maria
Relatore Prof. Landini, Luigi
Parole chiave
  • HMM
  • analisi del movimento
  • intelligenza ambientale
  • pervasive computing
  • accelerometri
  • classificazione automatica
  • riconoscimento automatico
  • kNN
  • intelligenza artificiale
  • Parzen
  • classificazione di sequenze
Data inizio appello
19/06/2009
Consultabilità
Parziale
Data di rilascio
19/06/2049
Riassunto
Questo lavoro si pone come obiettivo lo studio di algoritmi per la classificazione automatica di posture e movimenti eseguiti da un soggetto, mediante elaborazione dei segnali provenienti da cinque accelerometri biassiali posti in corrispondenza di determinati punti anatomici. Un sistema di classificazione automatica del movimento è di grande interesse in applicazioni di pervasive computing che richiedano la conoscenza del contesto per facilitare l’interazione uomo-macchina, e in biomedicina, per la realizzazione di sistemi wearable per la valutazione a lungo-termine di parametri fisiologici e biomeccanici. In questo lavoro ci proponiamo in primo luogo di studiare algoritmi di classificazione one-shot, in cui l’esito della classificazione a un certo istante non dipende dalla storia delle classificazioni precedenti, e algoritmi di classificazione sequenziale basati sugli Hidden Markov Model (HMM), per sfruttare la conoscenza delle statistiche di un task risultante dal concatenamento di singole primitive di movimento. All’algoritmo di classificazione automatica delle sequenze di movimenti e posture è stato inoltre introdotto un sistema di rimozione automatica dei dati non classificabili, relativi alle transizioni posturali o ai movimenti non noti al sistema.

The aim of this study is the development of an algorithm for automatic classification of human postures and movements, starting from accelerometer data. The acceleration data can be measured by a few sensors affixed to selected points of the human body. Movement classifiers can be interesting in applications of pervasive computing, whereas contextual awareness may ease the human-machine interaction, or in biomedicine, whereas wearable systems are developed for long-term monitoring of physiological and biomechanical parameters. In this paper we intend to study one-shot and sequential classifiers. One-shot classifiers deliver their actual outcome, without any regard to previous outcomes. Conversely, sequential classifiers, i.e. Hidden Markov Model (HMM), incorporate the statistical information acquired about the movement dynamics into the classification process. An automatic spurious data removing algorithm has been added to this kind of classifier, to make possible the automatic detection and removal of data relative to unknown movements or postural transitions.
File