Supervised Learning of Complex Activities using Wearable Sensors

Abstract

Klassifisering av raske komplekse bevegelser er en stor utfordring innen bevegelsesgjenkjenning. I mange sportsgrener er det utviklet enheter som innhenter forskjellige typer data, for så å lage et sammendrag av en gjennomført treningsøkt. Vi har gjort en studie på gjenkjenning av raske komplekse bevegelser, der vi har samlet inn data fra sensorer plassert på kroppen fra spillsekvenser i squash. Oppgaven er spesielt fokusert på hvordan et LSTM basert system presterer på lite preprosessert sekvensiell data, hvordan systemet klarer å skille relevant data fra ikke-relevant data, og hvordan systemet klarer å klassifisere relevant data. Tre hovedområder er valgt som mål for hvordan systemet presterer: Hvordan enveis LSTM presterer iforhold til toveis LSTM, sammenligne forskjellige typer sensor konfigurasjoner, og å sammenligne konfigurasjoner trent på høyre/venstre eller begge hender.

To classify and count fast paced complex activities is a significant challenge in activity recognition. In many sports there has been an increase in devices which record various kinds of data and produce logs after training sessions. To explore the area of creating session logs after sessions conducting fast paced complex activities, we have collected data from participants with body worn sensors during squash playing sessions. This thesis is focused on Long Short-Term Memory (LSTM) based systems ability to interpret minimal preprocessed time series data, separate relevant data from non-relevant data, and classify the relevant data, in order to count squash strokes and coarse movement patterns performed during active play. Three main areas are investigated in order to examine the LSTM systems ability: Comparing unidirectional LSTM systems with bidirectional LSTM systems, comparing different sensor configurations, and comparing configurations trained on data collected from left/right or both hands.