۲-۴-۲-۱-رویکرد مبتنی بر ویدئو
در این سیستم برای ردیابی و تشخیص فعالیت­های فیزیکی دوربین ویدئویی بکار می­رود. این روش اغلب در آزمایشگاه خوب کار می­ کند اما به دلیل آشفتگی و تنوع خیلی مختلف فعالیت­هایی که در محیط­های واقعی اتفاق می­افتد در دستیابی به دقت مشابه در شرایط واقعی به مشکل بر­خورده­اند. بعلاوه حسگرهایی مانند میکروفن و دوربین خیلی گران می­باشند. درنتیجه از آنجا که این دستگاه­ها به عنوان دستگاه­های ضبط کننده بکار می­روند، ممکن است توسط بعضی افراد با مشکلات امنیتی حریم خصوصی مواجه شوند.

۲-۴-۲-۲-رویکرد مبتنی بر محیط حسگر
این سیستم­ها برای نظات بر تعامل میان کاربران و محیط­های خانه­شان توسعه یافته­اند که این هدف بوسیله توزیع تعدادی از حسگرهای محیطی بخصوص حسگرهای باینری حالت on-off سراسر محیط زندگی فرد بدست آمده است. داده جمع آوری شده بوسیله این حسگرهای محیطی می ­تواند برای تطابق هوشمند محیط در خانه برای ساکنانش مورد استفاده باشند. سیستم­های مبتنی بر حسگرهای محیطی فعالانه فعالیت­های آنها را هر روزه نظارت می­ کند. در این سیستم­ها تعداد زیادی از پارمترها می ­تواند با بکارگیری حسگرهای گوناگون و محدودیت­هایی (اندازه، وزن و توان) از دیگر انواع حسگرها نظارت شود. بنابراین طراحی کلی سیستم را ساده می­ کند. هر چند این سیستم­ها وابسته به زیرساخت هستند و نمی ­توانند بر افراد بیرون خانه نظارت کنند. همچنین آنها مشکلات متمایز کردن فرد نظارت شده و دیگر افراد در خانه را نیز دارند.خانه­های هوشمند یک نمونه از این گونه سیستم­های می­باشند.
۲-۴-۲-۳-رویکرد مبتنی بر حسگرهای پوشیدنی
این سیستم­های طوری طراحی شده ­اند که برای اندازه ­گیری پیوسته داده بیومکانیکی و فیزیولوژیکی بدن در طول فعالیت روزمره با در نظر گرفتن مکان فرد قابل پوشیدن باشند. بنابراین یک جایگزین مناسب برای تشخیص فعالیت­های روزمره انسان بخصوص فعالیت­های فیزیکی بدن هستند. از این رو آنها به افراد متصل می­ شود تا بر فعالیت­های آنها نظارت کنند. حسگرهای پوشیدنی از زیرساخت مستقل هستند و می ­تواند پارامترهای فیزیولوژیکی که بوسیله حسگرهای ویدئویی یا محیطی ممکن قابل اندازه گیری نیستد را اندازه ­گیری کنند. بعلاوه این حسگرها ارزان قیمت بوده و برخلاف حسگرهای ویدئویی آنها مشکل حریم خصوصی افراد را ندارد.
طیفی از حسگرهای متصل به بدن شامل سوئیچ­های الکترومکانیکی، شتاب­سنج، ژیروسکوب، گام شمارها برای گرفتن و آنالیز حرکات انسان درطول زندگی روزمره افراد بکار روند. پیشرفت تکنولوژی در سیستم­های میکروالکترومکانیکی^[۶] باعث کوچک شدن و کم هزینه شدن شتاب­سنج­ها شده است و عموما به عنوان یک ابزار مفید برای ارزیابی حرکت انسان در محیط­های کلینیکی و محیط­های زندگی پذیرفته شده ­اند.
۲-۴-۳-رویکردهای مدل سازی فعالیت انسان
بیشترین رویکردهای مورد استفاده برای مدل­سازی فعالیت انسان شامل HMM و انواع آن که شامل زیر مجموعه­های
(coupled-HMM ,Entropid-HMM)، مدل­های گرافیکی و شبکه ­های پویا بیزی می­باشد [۳۹].
۲-۴-۳-۱–رویکرد استخراج ویژگی
ابتدا سیگنال بدست آمده از حسگر به تعدادی بخش­های زمانی کوچک به نام پنجره­ها تقسیم می­ شود. در هر پنجره یک یا چند ویژگی برای توصیف سیگنال، استخراج می­ شود. این ویژگی­ها سپس به عنوان ورودی الگوریتم­های دسته­بندی استفاده می­شوند که هر پنجره با یک فعالیت مرتبط می­ شود. این ویژگی­ها شامل ناحیه وسیع سیگنال، شتاب
peak-to-peak، مقدار اصلاحی میانگین، مربع میانگین ریشه می­باشند. این نوع ویژگی­ها اغلب برای تمایزگذاشتن میان فعالیت­های پویا و ایستا مورد استفاده­اند.
هدف اصلی استخراج کمترین مقادیر از داده خروجی برای ایجاد یک پیش­گویی خوب این همچنین مفید است برای پشتیبانی تصمیم ­گیری در مورد حذف یک حسگر اگر خواندن یک حسگر ایجاد نمی­کند ویژگی­هایی که اطلاعات خوب ارائه می­ کند پس حذف می­ شود. بطور کلی آنالیز تمام داده ثبت شده برای تشخیص فعالیت غیرضروری است. بنابراین داده ساده خام درون پنجره کوچک قبل از استخراج ویژگی استخراج می­کنیم. به منظور گرفتن اطلاعات بصورت مناسب از اطلاعات انسان و راحت باشد برای محاسبه مبتنی بر FFT از ویژگی­های دامنه-تکرار. طول پنجره مجموعه از خواهد بود. چهار اندازه متفاوت ۳۲، ۶۴، ۱۲۸و ۲۵۶ طول زمان مرتبط است با ۴ طول متفاوت پنجره بطور تقریبی ۱،۲،۴ و ۸٫۵ فرکانس فعالیت روزانه شان بصورت گسترده رنجی از ۱ تا ۱۸ هرتز دارد. بنابراین دوره زمانی۸٫۵ ثانیه می­پوشاند. کاهش بعد ویژگی (که می ­تواند به عنوان عملیات انتخاب ویژگی دیده شود) مهمترین روال قبل از دسته­بندی است. ابتدا بعضی از ویژگی­های بی_­ارتباط یا زاید که نمی­تواند اطلاعات پشتیبانی برای دسته­بندی آموزشی را ارائه کند، حذف
می­شوند. دسته­بندی کننده در فضای ابعاد بالاتر می ­تواند سخت و زمان بر باشد. بنابراین بهترین راه کاهش ابعاد مجددویژگی­ها قبل از انجام عملیات طبقه ­بندی می­باشد. معمولا قبل از اجرای الگوریتم دسته­بندی مراحل زیر انجام
می­ شود[۳۹]:
۲-۴-۳-۲-داده استاندارد وکاهش ابعاد ویژگی
ویژگی­های مورد استفاده بوسیله پژوهشگران برای دسته­بندی فعالیت­های انسان متنوع می­باشد. ویژگی­ها شامل حجم، تکرار، بهم پیوستگی می­باشد. نوع ویژگی حجم شامل ویژگی­هایی است که مبتنی بر مقادیر بزرگی از حسگرها می­باشد. ویژگی­ها در این طبقه بطور گسترده مبتنی بر مقادیر خام از حسگرها می­باشند آنها شتاب محور x، شتاب محور Yو شتاب محور Z می­باشند. ویژگی تکرار شامل ویژگی­هایی است که مبتنی بر مقادیر تکراری حسگر ویژگی­هاست.
ویژگی­های دامنه-زمان: بعضی از پژوهش­ها ویژگی­های دامنه-زمان را از پنجره داده شتاب بدست آورده­اند و معمولا آماری هستند شامل میانه، میانگین، واریانس و انحراف استاندارد، انحراف مطلق میانه وentropy ویژگی­های
دامنه-فرکانس: به منظور بدست آوردن ویژگی­های دامنه-تکرار پنجره ابتدا می­بایست داده حسگر به دامنه – تکرار تبدیل شود که معمولا با بهره گرفتن از FFT^[7]انجام می­گیرد. خروجی FFT یک مجموعه درخت تصمیم می­باشد. این الگوریتم بوسیله امتحان کردن قابلیت تشخیص ویژگی­ها در یک زمان برای خلق یک مجموعه قوائد کار می­ کند که ضرورتا مجهز به یک سیستم دسته­بندی کامل می­ شود. از جمله^[۸]FT و .DCT^[9]سایر ویژگی­ها شامل آنالیز مولفه اصلی، آنالیز تفریق خطی و ^[۱۰]AR, HAAR می­باشند. Wangو همکاران در پژوهش خود ویژگی­هایی از جمله تعداد مشاهدات،
طولانی­ترین بعد­، مجموع مقادیر را مطرح نموده ­اند.
۲-۴-۴-الگوریتم­های تشخیص فعالیت
الگوریتم­های تشخیص فعالیت فعالیت­ها و عملیات­های متفاوت را براساس ورودی­های کاربر دسته­بندی می­ کند [۴۰]. این الگوریتم­ها معمولا یا روی ایستگاه­های کاری^[۱۱] یا موبایل هوشمند کاربر اجرا می­ شود. انتخاب الگوریتم دسته­بندی، مبتنی بر قابلیت پردازش پلت­فرم برای اجرای الگوریتم است. الگوریتم­های دسته بندی نظارت شده^[۱۲] با نمونه­های برچسب شده برای خلق مدل دسته­بندی مجهز می­شوند. سپس مدل برای دسته­بندی داده ­های ورودی مورد استفاده قرارخواهد گرفت. این الگوریتم­ها شامل VN KNN ,SVM ,Decision Tree ,naïve-Bayes و…
الگوریتم­های نیمه نظارت شده^[۱۳] شامل خودیادگیری^[۱۴] و با هم یادگیری^[۱۵] می­باشد [۴۱]. خودیادگیری از یک دسته­بندی کننده برای دسته­بندی داده غیربرچسب­گذاری شده استفاده می­ کند. با هم یادگیری از چندین دسته­بندی کننده برای داده غیربرچسب گذاری شده استفاده می­ کند. در این الگوریتم­ها قسمتی از داده بدون برچسب مورد استفاده قرار می­گیرد.

شکل۲- ۹-مدل­های تشخیص فعالیت [۴۱]
۲-۴-۴-۱-الگوریتم های خوشه­بندی
الگوریتم­های تشخیص فعالیت به دو دسته تقسیم می­شوند اولین مبتنی است بر روش­های یادگیری ماشین شامل
روش­های یادگیری نظارت شده و بدون نظارت [۴۲]. روش­های نظارت شده نیازمند استفاده از داده برچسب­گذاری شده با یک الگوریتم که آموزش شده روال­های عمومی با استفادهاز الگوریتم­های یادگیری نظارت شده برای تشخیص فعالیت شامل چندین مرحله است:

1. 1. بدست آوردن داده نمایشی حسگر ازفعالیت­ها

1. 1. تعیین ویژگی های داده ورودی و نمایش آنها

1. 1. جمع­آوری داده از چندین منبع داده و انتقال آنها به ویژگی­های مستقل ازبرنامه کاربردی

1. 1. تقسیم داده به دو مجموعه آموزشی و آزمایشی

1. 1. آزمایش الگوریتم تشخیص الگوریتم روی مجموعه آموزشی

1. 1. تست عملکرد طبقه ­بندی الگوریتم آزمایش شده روی مجموعه آزمایشی

1. 1. اجرای الگوریم در زمینه تشخیص فعالیت

از جمله این الگوریتم­ها می­توان به Hidden Markov Model ,SVM ,K-NN ,Naïve bayes و… اشاره کرد. سیستم یادگیری غیرنظارت شده برای ساخت مدل­های تشخیص از داده غیربرچسب­گذاری شده استفاده می­ کند. ایده اصلی تشخیص، اختصاص یک احتمال به هر فعالیت ممکن است و تعیین یک مدل اتفاقی^[۱۶] که می ­تواند این احتمال را مطابق مشاهدات جدید و برای دانستن حالت سیستم بِروز کند.
روال عمومی برای یادگیری غیرنظارتی شامل:

1. 1. بدست آوردن داده غیربرچسب حسگر

1. 1. جمع­آوری و انتقال داده حسگر به ویژگی­ها

1. 1. مدل­سازی داده با بهره گرفتن از تخمین کیفیت دیگر یا متدهای کلاس­بندی.