Ehsan.P

تشخیص فعالیت در دهه‌ی اخیر در حوزه‌های پایش افراد سالمند و توانبخشی از راه دور پیشرفت‌های چشمگیری داشته است. نقطه‌ی ورود سامانه‌های تشخیص فعالیت در توانبخشی از راه دور، نظارت بر انجام تمرین‌های توانبخشی است. برای بیماران پارکینسون، تمرین‌های توانبخشی Lee Silverman Voice Treatment-BIG، به اختصار LSVT-BIG، به گزارش ادبیات در بهبود وضعیت حرکتی آن‌ها مؤثر واقع شده‌اند. انجام این تمرین‌ها، مانند هر فرایند توانبخشی، نیازمند ناظر متخصص است که به فرد بابت عملکرد وی بازخورد دهد. سامانه‌های تشخیص فعالیت می‌توانند از راه دور جایگزین ناظر انسانی شوند. این سامانه‌ها می‌توانند تمرین‌ها را تشخیص دهند و به فرد بیمار بازخورد مناسب بدهند. تشخیص‌های اشتباه در طبقه‌بندهای تشخیص فعالیت در شرایط بلادرنگ اجتناب‌ناپذیرند. منظور از شرایط بلادرنگ در طبقه‌بندها، تشخیص فعالیت هم‌زمان با دریافت داده‌ها یا کمی (مثلاً چند ثانیه) بعد از آن است. حضور فعالیت‌های مشابه، حالت گذار، و بخش‌هایی از فعالیت که حین آموزش به طبقه‌بند نشان داده نشده‌اند، از منابع خطای طبقه‌بندها است. این، برای یک سامانه که به کاربر بازخورد می‌دهد، مشکل‌ساز است. اخطارهای نابجا و تشخیص‌های غلط، منزوی، و پراکنده، تجربه‌ی خوبی برای کاربر رقم نمی‌زنند. یک راه‌حل، پس‌پردازش نتایج طبقه‌بند است. در این رویکرد، پس‌پردازنده یک توالی از نتایج طبقه‌بند را تحلیل می‌کند تا تعیین کند که واقعاً تشخیص‌های طبقه‌بند حاکی از انجام یک فعالیت مرجع است یا خیر. در این پژوهش، یک سامانه‌ی تشخیص فعالیت بلادرنگ توسعه یافته است. این سامانه از سیگنال‌های شتاب‌سنج و ژیروسکوپ دو مچ‌بند هوشمند TTGO T-Wristband بر روی مچ دست چپ و ران پای چپ برای طبقه‌بندی استفاده می‌کند. داده‌های مچ‌بندها از طریق بلوتوث برای یک اپلیکیشن اندروید ارسال می‌شود. سپس ۲۰۰ ویژگی سیگنال بر روی آن‌ها محاسبه می‌شود. به کمک LDA، ابعاد این ویژگی‌ها به ۳۳ کاهش می‌یابد. طبقه‌بندی نیز هر 15/0 ثانیه بر روی اپلیکیشن انجام می‌شود. این اپلیکیشن قابلیت ذخیره‌ی داده‌های مچ‌بندها و نتایج طبقه‌بند را دارد. برای طبقه‌بند از یادگیری گروهی پنج طبقه‌بند LDA استفاده شده است. صحت کلی این طبقه‌بند ۹۴.۸۶% است. به هر رو، بررسی‌ها نشان داده است که عملکرد طبقه‌بند در شرایط بلادرنگ به شدت افت می‌کند. مقدار PPV و NPV برای فعالیت‌ها در این شرایط به طور میانگین ۴۴/۰ و ۹۸/۰ است. برای جبران افت عملکرد طبقه‌بند در شرایط بلادرنگ، نتایج طبقه‌بند پس‌پردازش می‌شوند. در این پژوهش عملکرد ۱۳ روش پس‌پردازش نتایج طبقه‌بند بررسی شده است. این روش‌ها عبارتند از فیلتر میانه، فیلتر هامپل، دو نوع خودرمزگذار، سیستم‌های تطبیقی استنتاج عصبی-فازی نوع ممدانی (MAMFIS) و سوگنو (ANFIS)، چهار روش خوشه‌بندی فازی، درخت تصمیم (DT)، ماشین بردار پشتیبان (SVM)، و جنگل انزوا (IF). بررسی عملکرد در قالب مسائل بهینه‌سازی انجام شده است. برای هر فعالیت، برای پنج طول پنجره‌ی مشخص از نتایج طبقه‌بند، و برای هر روش پس‌پردازش، بهینه‌سازی انجام شده است. هدف مسئله‌ی بهینه‌سازی، یافتن یک تقسیم بندی بهینه از فعالیت‌های مشابه و حالت گذار در تشخیص‌های اشتباه هر فعالیت است، به گونه‌ای که مقیاس‌های PPV و NPV بیشینه شوند. برای بهینه‌سازی از NSGA-II استفاده شده است. نتایج نشان می‌دهد که با پس‌پردازش، مقادیر PPV و NPV، با استفاده از بهترین پس‌پردازنده برای هر فعالیت، به طور میانگین برای طول پنجره‌ی ۲۰، ۳۰، ۴۰، ۵۰، و ۶۰ به ترتیب بوده است ۸۸/۰ و ۹۷/۰؛ ۹۲/۰ و ۹۷/۰؛ ۹۵/۰ و ۹۸/۰؛ ۹۶/۰ و ۹۸/۰؛ و ۹۶/۰ و ۹۸/۰. برای طول پنجره‌های ۲۰ و ۳۰ از نتایج طبقه‌بند، SVM با مقادیر PPV و NPV به طور میانگین ۹۱/۰ و ۹۷/۰؛ و ۹۳/۰ و ۹۸/۰، در اکثر فعالیت‌ها بهترین عملکرد را داشته است. برای طول پنجره‌های ۴۰، ۵۰، و ۶۰ نیز ANFIS با مقادیر PPV و NPV به طور میانگین ۹۵/۰ و ۹۸/۰؛ ۹۶/۰ و ۹۹/۰؛ و ۹۵/۰ و ۹۹/۰، در اکثر فعالیت‌ها بهترین عملکرد را داشته است.

در این پروژه سینماتیک معکوس یک ربات پوما در نرم افزار MATLAB حل شده و نتایج با شبیه سازی های Simulink مقایسه شده است.

مدلسازی خودرو به کمک محیط GSD و Wireframe در نرم افزار کتیا انجام شده است. رندرینگ و اعمال متریال نیز به کمک نرم افزار Keyshot انجام شده است.

Human Activity Recognition (HAR) using wearable systems in telerehabilitation and clinical applications has caught the attention of many researchers, especially for Parkinson's disease (PD) movement therapy. However, the distinction between simple activities and complex ones and how to handle them have not been thoroughly investigated. We propose and compare two variants of a multi-task network with shared parameters to recognize simple activities (SAs) and complex activities (CAs) simultaneously. We do so by introducing a branched deep neural network that uses a shared feature space for both SAs and CAs, and further enriches the features for CAs using a deep recurrent neural network. The variants are CNN-LSTM and CNN-BiLSTM. We trained and evaluated the models with 65 activities; 51 SAs and 14 CAs composed of Lee Silverman Voice Treatment-BIG (LSVTBIG) and functional activities. Our dataset consisted of 43 healthy subjects, seven women and 36 men. The data were recorded using four smart bands with embedded IMUs, placed on both wrists and both thighs. Our results show that the CNN-BiLSTM model with an average accuracy of 84.17% and 78.78% for SAs and CAs, correspondingly, outperforms the CNN-LSTM model with average accuracies of 71.83% and 66.46%.