Affordable Access

Automatic detection and classification of events on power wheelchairs using embedded sensors

Authors
Publisher
McGill University
Publication Date
Keywords
  • Applied Sciences - Artificial Intelligence
Disciplines
  • Computer Science

Abstract

L'utilisation de fauteuils roulants motorisés (FRM) est une tâche difficile qui requiert un apprentissage moteur particulier. L'objectif de cette thèse vise à développer des outils informatiques permettant d'identifier automatiquement le profil comportemental d'un usager de manière à fournir des méthodes d'apprentissage sur-mesure. Plusieurs projets de recherche se sont penchés sur la reconnaissance d'activité humaine utilisant des capteurs portables tels que des accéléromètres; toutefois, la reconnaissance d'événements survenant sur les FRM est rare. De plus, dans la plupart des applications pour FRM les décisions de contrôle doivent être prises rapidement, sans débordement des ressource de calcul, puisque les conséquences d'un incidents peuvent être graves. Dans cette thèse, nous proposons une approche d'apprentissage machine pour la reconnaissance d'activité des FRM. Elle consiste en trois étapes principales: capture des données, extraction de caractéristiques, et classification. À la première étape, une plate-forme de capture de donnée est installée sur le FRM. Dans un second temps, quatre types de caractéristiques sont extraites à partir de données pré-traitées. Finalement, un classifieur est entraîné à distinguer 35 types d'activités pouvant survenir sur le fauteuil roulant. L'exactitude des quatre types de caractéristiques a été comparée: plongements retardés dans le temps, caractérisation dans le domaine temporel, caractérisation dans le domaine fréquentiel, et décomposition en ondelettes. Dans une première analyse, l'exactitude du classifieur à distinguer les événements sécuritaires et non-sécuritaires est comparée. Ensuite, nous nous attardons à analyser la capacité à classifier les 35 types d'événements. Nous démontrons que les plongements retardés dans le temps permettent de détecter une proportion importante des activités. De plus, cette méthode s'avère très efficace à détecter les événements non-sécuritaires.

There are no comments yet on this publication. Be the first to share your thoughts.