tecniche di classificazione e predizione delle ... - DSpace@Roma3

Tecniche di classificazione e predizione delle attività motorie per telemonitoraggio e
teleriabilitazione
già classificato in base a diversi parametri. E’ il caso ad esempio dell’invio del
segnale ECG, che raramente viene trasmesso per intero, ma di cui vengono inviate le
informazione di interesse, quali la frequenza cardiaca, oppure le situazioni ritenute di
anomalia.
Tra le applicazioni di tele monitoraggio più recenti, il riconoscimento delle attività
quotidiane in questi anni ha visto un fiorire di tecniche e applicazioni tra le più
svariate, applicate principalmente a tecniche video e a sensori indossabili. Per
distinguere tra attività statiche e dinamiche le tecniche hanno fatto spesso uso degli
alberi di decisione [1,2,3] in cui la decisione viene presa muovendosi lungo un
albero di possibilità e riducendo ad ogni passo lo spazio di decisione, partendo
appunto dalla decisione iniziale di distinguere tra attività statiche e dinamiche.
Altri studi hanno classificato le attività motorie usando tecniche di clustering (k-NN)
esplorando la possibilità di una classificazione non supervisionata e confrontandola
con la maggior parte delle tecniche supervisionate [4,5]. Molti di questi lavori hanno
analizzato anche la bontà delle diverse features, ricavate per lo più, in queste
applicazioni citate, da segnali accelerometrici, e anche la possibilità di differenziarle
a seconda della tecnica usata e in base alla possibilità di combinarle con tecniche
diverse [5,6]. Il riconoscimento dell’atto motorio può essere poi effettuato con i
classificatori Bayesiani, in cui, in una preliminare fase di training, viene stimata la
densità di probabilità condizionata e anche ipotizzata una probabilità a priori
[1,2,7,8]. A questo proposito anche nel corso del nostro lavoro sono state effettuate
diverse valutazioni in base alle diverse probabilità a priori [9,10]. Le probabilità di
compiere una determinata azione prima/dopo di un’altra sono state sfruttate nel
riconoscimento di attività qualora si riconosca la sequenza della attività come un
processo markoviano e si sfruttino le probabilità di transizione e la teoria dei modelli
markoviani [11,12,13,10]. Altre tecniche di classificazione che hanno dati risultati
soddisfacenti utilizzano le reti neurali, dove lo strato di uscita classifica l’attività,
avendo a disposizione come strato di ingresso tutte le features ritenute utili [14].
10