El reconocimiento de actividades tiene como objetivo reconocer las acciones y objetivos de uno o más agentes a partir de una serie de observaciones sobre las acciones de los agentes y las condiciones ambientales. Desde la década de 1980, este campo de investigación ha captado la atención de varias comunidades de ciencias de la computación debido a su fortaleza para brindar soporte personalizado para muchas aplicaciones diferentes y su conexión con muchos campos de estudio diferentes, como la medicina, la interacción humano-computadora o la sociología.
Debido a su naturaleza multifacética, diferentes campos pueden referirse al reconocimiento de actividades como reconocimiento de planes, reconocimiento de objetivos, reconocimiento de intenciones, reconocimiento de comportamientos, estimación de ubicación y servicios basados en la ubicación .
Tipos
Reconocimiento de actividad de un solo usuario basado en sensores
El reconocimiento de actividad basado en sensores integra el área emergente de redes de sensores con técnicas novedosas de minería de datos y aprendizaje automático para modelar una amplia gama de actividades humanas. [1] [2] Los dispositivos móviles (por ejemplo, teléfonos inteligentes) proporcionan datos de sensores y potencia de cálculo suficientes para permitir el reconocimiento de la actividad física y proporcionar una estimación del consumo de energía durante la vida diaria. Los investigadores de reconocimiento de actividad basado en sensores creen que al habilitar computadoras y sensores ubicuos para monitorear el comportamiento de los agentes (bajo consentimiento), estas computadoras estarán mejor preparadas para actuar en nuestro nombre.
Niveles de reconocimiento de actividad basado en sensores
El reconocimiento de actividad basado en sensores es una tarea desafiante debido a la naturaleza ruidosa inherente de la entrada. Así, el modelado estadístico ha sido el principal impulso en esta dirección en capas, donde se realiza y conecta el reconocimiento en varios niveles intermedios. En el nivel más bajo donde se recopilan los datos del sensor, el aprendizaje estadístico se refiere a cómo encontrar las ubicaciones detalladas de los agentes a partir de los datos de la señal recibida. En un nivel intermedio, la inferencia estadística puede preocuparse por cómo reconocer las actividades de los individuos a partir de las secuencias de ubicación inferidas y las condiciones ambientales en los niveles inferiores. Además, al más alto nivel, una de las principales preocupaciones es descubrir el objetivo o los subobjetivos generales de un agente a partir de las secuencias de actividad mediante una combinación de razonamiento lógico y estadístico.
Reconocimiento de actividad multiusuario basado en sensores
El reconocimiento de actividades para múltiples usuarios que utilizan sensores corporales apareció por primera vez en el trabajo de ORL utilizando sistemas de credenciales activos [3] a principios de la década de 1990. Se utilizó otra tecnología de sensores, como los sensores de aceleración, para identificar patrones de actividad grupal durante escenarios de oficina. [4] Las actividades de múltiples usuarios en entornos inteligentes se abordan en Gu et al . [5] En este trabajo, investigan el problema fundamental de reconocer actividades para múltiples usuarios a partir de lecturas de sensores en un entorno doméstico, y proponen un enfoque de minería de patrones novedoso para reconocer actividades de un solo usuario y multiusuario en una solución unificada.
Reconocimiento de actividad grupal basado en sensores
El reconocimiento de las actividades de grupo es fundamentalmente diferente del reconocimiento de la actividad de un solo usuario o multiusuario en que el objetivo es reconocer el comportamiento del grupo como una entidad, en lugar de las actividades de los miembros individuales dentro de él. [6] El comportamiento grupal es de naturaleza emergente, lo que significa que las propiedades del comportamiento del grupo son fundamentalmente diferentes a las propiedades del comportamiento de los individuos dentro de él, o cualquier suma de ese comportamiento. [7] Los principales desafíos están en modelar el comportamiento de los miembros individuales del grupo, así como los roles del individuo dentro de la dinámica del grupo [8] y su relación con el comportamiento emergente del grupo en paralelo. [9] Los desafíos que aún deben abordarse incluyen la cuantificación del comportamiento y los roles de los individuos que se unen al grupo, la integración de modelos explícitos para la descripción de roles en algoritmos de inferencia y evaluaciones de escalabilidad para grupos y multitudes muy grandes. El reconocimiento de actividad grupal tiene aplicaciones para la gestión de multitudes y la respuesta en situaciones de emergencia, así como para redes sociales y aplicaciones Quantified Self . [10]
Enfoques
Reconocimiento de actividades a través de la lógica y el razonamiento.
Los enfoques basados en la lógica realizan un seguimiento de todas las explicaciones lógicamente coherentes de las acciones observadas. Por lo tanto, se deben considerar todos los planes u objetivos posibles y consistentes. Kautz proporcionó una teoría formal del reconocimiento de planes. Describió el reconocimiento de planos como un proceso de inferencia lógica de circunscripción. Todas las acciones y planes se denominan de manera uniforme metas, y el conocimiento de un reconocedor está representado por un conjunto de declaraciones de primer orden, llamado jerarquía de eventos. La jerarquía de eventos está codificada en lógica de primer orden, que define la abstracción, la descomposición y las relaciones funcionales entre tipos de eventos. [11]
El marco general de Kautz para el reconocimiento de planes tiene una complejidad temporal exponencial en el peor de los casos, medida en el tamaño de la jerarquía de entrada. Lesh y Etzioni fueron un paso más allá y presentaron métodos para ampliar el reconocimiento de objetivos para ampliar su trabajo computacionalmente. A diferencia del enfoque de Kautz, en el que la biblioteca de planos está representada explícitamente, el enfoque de Lesh y Etzioni permite la construcción automática de bibliotecas de planos a partir de primitivas de dominio. Además, introdujeron representaciones compactas y algoritmos eficientes para el reconocimiento de objetivos en grandes bibliotecas de planes. [12]
Los planes y metas inconsistentes se podan repetidamente cuando llegan nuevas acciones. Además, también presentaron métodos para adaptar un reconocedor de objetivos para manejar el comportamiento idiosincrásico individual dada una muestra del comportamiento reciente de un individuo. Pollack y col. describió un modelo de argumentación directa que puede conocer la fuerza relativa de varios tipos de argumentos para la descripción de creencias e intenciones.
Un problema grave de los enfoques basados en la lógica es su incapacidad o inviabilidad inherente para representar la incertidumbre. No ofrecen ningún mecanismo para preferir un enfoque consistente a otro y son incapaces de decidir si un plan en particular es más probable que otro, siempre que ambos puedan ser lo suficientemente consistentes para explicar las acciones observadas. También hay una falta de capacidad de aprendizaje asociada con los métodos basados en la lógica.
Otro enfoque para el reconocimiento de actividades basado en la lógica es utilizar el razonamiento de flujo basado en la programación de conjuntos de respuestas, [13] y se ha aplicado al reconocimiento de actividades para aplicaciones relacionadas con la salud, [14] que utiliza restricciones débiles para modelar un grado de ambigüedad / incertidumbre .
Reconocimiento de actividad mediante razonamiento probabilístico
La teoría de la probabilidad y los modelos de aprendizaje estadístico se aplican más recientemente en el reconocimiento de actividades para razonar sobre acciones, planes y metas bajo incertidumbre. [15] En la literatura, ha habido varios enfoques que representan explícitamente la incertidumbre en el razonamiento sobre los planes y objetivos de un agente.
Utilizando los datos de los sensores como entrada, Hodges y Pollack diseñaron sistemas basados en el aprendizaje automático para identificar a las personas mientras realizan actividades diarias de rutina, como preparar café. [16] El Laboratorio de Investigación Intel (Seattle) y la Universidad de Washington en Seattle han realizado algunos trabajos importantes sobre el uso de sensores para detectar planes humanos. [17] [18] [19] Algunos de estos trabajos infieren modos de transporte del usuario a partir de lecturas de identificadores de radiofrecuencia (RFID) y sistemas de posicionamiento global (GPS).
Se ha demostrado que el uso de modelos probabilísticos temporales funciona bien en el reconocimiento de actividades y, en general, supera a los modelos no temporales. [20] Los modelos generativos como el modelo oculto de Markov (HMM) y las redes dinámicas bayesianas (DBN) más generalmente formuladas son opciones populares en las actividades de modelado a partir de datos de sensores. [21] [22] [23] [24] Los modelos discriminativos como los campos aleatorios condicionales (CRF) también se aplican comúnmente y también ofrecen un buen rendimiento en el reconocimiento de actividades. [25] [26]
Los modelos generativos y discriminativos tienen sus pros y sus contras y la elección ideal depende de su área de aplicación. Aquí se puede encontrar un conjunto de datos junto con implementaciones de varios modelos populares (HMM, CRF) para el reconocimiento de actividades .
Los modelos probabilísticos temporales convencionales como el modelo de Markov oculto (HMM) y el modelo de campos aleatorios condicionales (CRF) modelan directamente las correlaciones entre las actividades y los datos de los sensores observados. En los últimos años, la evidencia creciente ha apoyado el uso de modelos jerárquicos que toman en cuenta la rica estructura jerárquica que existe en los datos de comportamiento humano. [22] [27] [28] La idea central aquí es que el modelo no correlaciona directamente las actividades con los datos del sensor, sino que divide la actividad en subactividades (a veces denominadas acciones) y modela las correlaciones subyacentes en consecuencia . Un ejemplo podría ser la actividad de preparar un sofrito, que se puede descomponer en las subactividades o acciones de cortar verduras, freír las verduras en una sartén y servirlas en un plato. Ejemplos de un modelo jerárquico de este tipo son los modelos de Markov ocultos en capas (LHMM) [27] y el modelo de Markov oculto jerárquico (HHMM), que se ha demostrado que superan significativamente a sus homólogos no jerárquicos en el reconocimiento de actividades. [22]
Enfoque basado en la minería de datos para el reconocimiento de actividades
A diferencia de los enfoques tradicionales de aprendizaje automático, recientemente se propuso un enfoque basado en la minería de datos. En el trabajo de Gu et al., El problema del reconocimiento de actividades se formula como un problema de clasificación basado en patrones. Propusieron un enfoque de minería de datos basado en patrones discriminativos que describen cambios significativos entre dos clases de actividad de datos para reconocer actividades secuenciales, intercaladas y concurrentes en una solución unificada. [29] Gilbert y col. use esquinas 2D tanto en el espacio como en el tiempo. Estos se agrupan espacial y temporalmente mediante un proceso jerárquico, con un área de búsqueda creciente. En cada etapa de la jerarquía, las características más distintivas y descriptivas se aprenden de manera eficiente a través de la minería de datos (regla Apriori). [30]
Reconocimiento de actividad basado en GPS
El reconocimiento de actividad basado en la ubicación también puede depender de los datos del GPS para reconocer actividades. [31] [32]
Uso del sensor
Reconocimiento de actividad basado en la visión
Es un problema muy importante y desafiante rastrear y comprender el comportamiento de los agentes a través de videos tomados por varias cámaras. La técnica principal empleada es la visión por computadora . El reconocimiento de actividad basado en la visión ha encontrado muchas aplicaciones, como la interacción persona-computadora, diseño de interfaz de usuario, aprendizaje de robots y vigilancia, entre otras. Las conferencias científicas donde a menudo aparece el trabajo de reconocimiento de actividades basado en la visión son ICCV y CVPR .
En el reconocimiento de actividades basado en la visión, se ha trabajado mucho. Los investigadores han intentado varios métodos, como el flujo óptico , el filtrado de Kalman , los modelos Hidden Markov , etc., bajo diferentes modalidades, como una sola cámara, estéreo e infrarrojos. Además, los investigadores han considerado múltiples aspectos sobre este tema, incluido el seguimiento de un solo peatón, el seguimiento de grupos y la detección de objetos caídos.
Recientemente, algunos investigadores han utilizado cámaras RGBD como Microsoft Kinect para detectar actividades humanas. Las cámaras de profundidad agregan una dimensión adicional, es decir, una profundidad que la cámara 2d normal no puede proporcionar. La información sensorial de estas cámaras de profundidad se ha utilizado para generar un modelo de esqueleto en tiempo real de humanos con diferentes posiciones corporales. Esta información básica proporciona información significativa que los investigadores han utilizado para modelar las actividades humanas que se entrenan y luego se utilizan para reconocer actividades desconocidas. [33] [34]
Con la reciente emergencia del aprendizaje profundo, el reconocimiento de actividades basado en video RGB ha experimentado un rápido desarrollo. Utiliza videos capturados por cámaras RGB como entrada y realiza varias tareas, que incluyen: clasificación de video, detección del inicio y final de la actividad en videos, y localización espacio-temporal de la actividad y las personas que la realizan.
A pesar del notable progreso del reconocimiento de actividad basado en la visión, su uso para la mayoría de las aplicaciones de vigilancia visual sigue siendo una aspiración lejana. [35] Por el contrario, el cerebro humano parece haber perfeccionado la capacidad de reconocer las acciones humanas. Esta capacidad se basa no solo en el conocimiento adquirido, sino también en la capacidad de extraer información relevante para un contexto y razonamiento lógico dados. Con base en esta observación, se ha propuesto mejorar los sistemas de reconocimiento de actividades basados en la visión integrando el razonamiento de sentido común y el conocimiento contextual y de sentido común . Los experimentos realizados con cámaras de vídeo y RGBD demuestran el valor añadido de este enfoque. [36] [37]
Niveles de reconocimiento de actividad basado en la visión
En el reconocimiento de actividad basado en la visión, el proceso computacional a menudo se divide en cuatro pasos, a saber, detección humana, seguimiento humano, reconocimiento de actividad humana y luego una evaluación de actividad de alto nivel.
Localización de acciones de grano fino
En el reconocimiento de actividades basado en visión por computadora , la localización de acciones de grano fino generalmente proporciona máscaras de segmentación por imagen que delinean el objeto humano y su categoría de acción (por ejemplo, Segment-Tube [38] ). A menudo se emplean técnicas como las redes dinámicas de Markov , CNN y LSTM para explotar las correlaciones semánticas entre fotogramas de vídeo consecutivos.
Reconocimiento automático de la marcha
Una forma de identificar a personas específicas es por cómo caminan. El software de reconocimiento de la marcha se puede utilizar para registrar la marcha de una persona o el perfil de la característica de la marcha en una base de datos con el fin de reconocer a esa persona más tarde, incluso si lleva un disfraz.
Reconocimiento de actividad basado en Wi-Fi
Cuando el reconocimiento de actividad se realiza en interiores y en ciudades utilizando las señales Wi-Fi ampliamente disponibles y los puntos de acceso 802.11 , hay mucho ruido e incertidumbre. Estas incertidumbres se pueden modelar utilizando un modelo de red bayesiana dinámica . [39] En un modelo de objetivos múltiples que puede razonar sobre los objetivos intercalados del usuario, se aplica un modelo de transición de estado determinista . [40] Otro método posible modela las actividades concurrentes e intercaladas en un enfoque probabilístico. [41] Un modelo de descubrimiento de acciones del usuario podría segmentar las señales de Wi-Fi para producir posibles acciones. [42]
Modelos básicos de reconocimiento de Wi-Fi
Uno de los pensamientos principales del reconocimiento de actividad Wi-Fi es que cuando la señal atraviesa el cuerpo humano durante la transmisión; que causa reflexión, difracción y dispersión. Los investigadores pueden obtener información de estas señales para analizar la actividad del cuerpo humano.
Modelo de transmisión estática
Como se muestra en, [43] cuando las señales inalámbricas se transmiten en interiores, los obstáculos como las paredes, el suelo y el cuerpo humano provocan diversos efectos como la reflexión, la dispersión, la difracción y la difracción. Por lo tanto, el extremo receptor recibe múltiples señales de diferentes caminos al mismo tiempo, porque las superficies reflejan la señal durante la transmisión, lo que se conoce como efecto multitrayecto .
El modelo estático se basa en estos dos tipos de señales: la señal directa y la señal reflejada. Debido a que no hay ningún obstáculo en la ruta directa, la transmisión de señal directa se puede modelar mediante la ecuación de transmisión de Friis :
- es la potencia alimentada a los terminales de entrada de la antena transmisora;
- es la potencia disponible en los terminales de salida de la antena receptora;
- es la distancia entre antenas;
- está transmitiendo la ganancia de la antena;
- recibe ganancia de antena;
- es la longitud de onda de la radiofrecuencia
Si consideramos la señal reflejada, la nueva ecuación es:
- es la distancia entre los puntos de reflexión y la trayectoria directa.
Cuando aparece un humano, tenemos una nueva ruta de transmisión. Por tanto, la ecuación final es:
es la diferencia aproximada de la trayectoria provocada por el cuerpo humano.
Modelo de transmisión dinámica
En este modelo, consideramos el movimiento humano, que hace que la ruta de transmisión de la señal cambie continuamente. Podemos usar Doppler Shift para describir este efecto, que está relacionado con la velocidad de movimiento.
Al calcular el desplazamiento Doppler de la señal de recepción, podemos averiguar el patrón del movimiento, identificando así aún más la actividad humana. Por ejemplo, en [44] el desplazamiento Doppler se utiliza como huella digital para lograr una identificación de alta precisión para nueve patrones de movimiento diferentes.
Zona de Fresnel
La zona de Fresnel se usó inicialmente para estudiar la interferencia y difracción de la luz, que luego se usa para construir el modelo de transmisión de señal inalámbrica. La zona de Fresnel es una serie de intervalos elípticos cuyos focos son las posiciones del emisor y del receptor.
Cuando una persona se mueve a través de diferentes zonas de Fresnel, la ruta de la señal formada por el reflejo del cuerpo humano cambia, y si las personas se mueven verticalmente a través de las zonas de Fresnel, el cambio de señal será periódico. En el artículo, [45] y [46] aplicaron el modelo de Fresnel a la tarea de reconocimiento de actividad y obtuvieron un resultado más preciso.
Modelado del cuerpo humano
En algunas tareas, debemos considerar modelar el cuerpo humano con precisión para lograr mejores resultados. Por ejemplo, [46] describió el cuerpo humano como cilindros concéntricos para la detección de la respiración. El exterior del cilindro denota la caja torácica cuando las personas inhalan, y el interior denota cuando las personas exhalan. Entonces, la diferencia entre el radio de esos dos cilindros representa la distancia en movimiento durante la respiración. El cambio de las fases de la señal se puede expresar en la siguiente ecuación:
- es el cambio de las fases de la señal;
- es la longitud de onda de la radiofrecuencia;
- es la distancia de movimiento de la caja torácica;
Aplicaciones
Al monitorear automáticamente las actividades humanas, se puede brindar rehabilitación en el hogar a las personas que sufren lesiones cerebrales traumáticas. Se pueden encontrar aplicaciones que van desde aplicaciones relacionadas con la seguridad y soporte logístico hasta servicios basados en la ubicación . [47] Se han desarrollado sistemas de reconocimiento de actividad para la observación de la vida silvestre [48] y la conservación de energía en edificios. [49]
Ver también
- Efecto AI
- Aplicaciones de la inteligencia artificial
- Campo aleatorio condicional
- Reconocimiento de gestos
- Modelo de Markov oculto
- Análisis de movimiento
- Clasificador ingenuo de Bayes
- Máquinas de vectores de soporte
- Co-segmentación de objetos
- Esquema de la inteligencia artificial
- Análisis de contenido de video
Referencias
- ^ Tanzeem Choudhury, Gaetano Borriello , et al. La plataforma de detección móvil: un sistema integrado para el reconocimiento de actividades. Aparece en IEEE Pervasive Magazine - Número especial sobre computación basada en actividades, abril de 2008.
- ^ Nishkam Ravi, Nikhil Dandekar, Preetham Mysore, Michael Littman. Reconocimiento de actividad a partir de datos del acelerómetro . Actas de la Decimoséptima Conferencia sobre Aplicaciones Innovadoras de la Inteligencia Artificial (IAAI / AAAI 2005).
- ^ Quiere R., Hopper A., Falcao V., Gibbons J .: El sistema de ubicación de la insignia activa, ACM Transactions on Information, Systems, Vol. 40, núm. 1, págs. 91-102, enero de 1992
- ^ Bieber G., Kirste T., Untersuchung des gruppendynamischen Aktivitaetsverhaltes im Office-Umfeld, 7. Berliner Werkstatt Mensch-Maschine-Systeme, Berlín, Alemania, 2007
- ^ Tao Gu, Zhanqing Wu, Liang Wang, Xianping Tao y Jian Lu. Minería de patrones emergentes para el reconocimiento de actividades de múltiples usuarios en la informática generalizada . En Proc. de la 6ª Conferencia Internacional sobre sistemas móviles y ubicuos: informática, redes y servicios (MobiQuitous '09), Toronto, Canadá, 13 al 16 de julio de 2009.
- ^ Dawud Gordon, Jan-Hendrik Hanne, Martin Berchtold, Ali Asghar Nazari Shirehjini, Michael Beigl: Hacia el reconocimiento de actividades grupales colaborativas mediante dispositivos móviles, redes móviles y aplicaciones 18 (3), 2013, págs. 326–340
- ^ Lewin, K. Teoría de campo en ciencias sociales: artículos teóricos seleccionados. Libros en rústica de ciencias sociales. Harper, Nueva York, 1951.
- ^ Hirano, T. y Maekawa, T. Un modelo híbrido no supervisado / supervisado para el reconocimiento de actividades grupales . En Actas del Simposio internacional sobre computadoras portátiles de 2013, ISWC '13, ACM (Nueva York, NY, EE. UU., 2013), 21–24
- ^ Brdiczka, O., Maisonnasse, J., Reignier, P. y Crowley, JL Detectando actividades de grupos pequeños a partir de observaciones multimodales . Applied Intelligence 30, 1 (julio de 2007), 47–57.
- ^ Dawud Gordon, Reconocimiento de actividades grupales mediante dispositivos de detección portátiles , Disertación, Instituto de Tecnología de Karlsruhe, 2014
- ^ H. Kautz. " Una teoría formal del reconocimiento de planes ". En tesis doctoral, Universidad de Rochester, 1987.
- ^ N. Lesh y O. Etzioni. " Un reconocimiento de goles rápido y sólido ". En Actas de la Conferencia conjunta internacional sobre inteligencia artificial , 1995.
- ^ Haz, Thang; Seng W. Loke; Fei Liu (2011). Programación del conjunto de respuestas para el razonamiento de la secuencia . Avances en Inteligencia Artificial, Apuntes de Conferencia en Ciencias de la Computación . Apuntes de conferencias en Ciencias de la Computación. 6657 . págs. 104-109. CiteSeerX 10.1.1.453.2348 . doi : 10.1007 / 978-3-642-21043-3_13 . ISBN 978-3-642-21042-6.
- ^ Haz, Thang; Seng W. Loke; Fei Liu (2012). "HealthyLife: un sistema de reconocimiento de actividad con teléfono inteligente que utiliza el razonamiento de flujo basado en lógica" (PDF) . Actas de la novena conferencia internacional sobre sistemas móviles y ubicuos: informática, redes y servicios (Mobiquitous 2012) .
- ^ E. Charniak y RP Goldman. " Un modelo bayesiano de reconocimiento de planos ". Inteligencia artificial , 64: 53–79, 1993.
- ^ MR Hodges y YO Pollack. " Una 'huella dactilar de uso de objetos': el uso de sensores electrónicos para la identificación humana ". En Actas de la Novena Conferencia Internacional sobre Computación Ubicua , 2007.
- ^ Mike Perkowitz, Matthai Philipose, Donald J. Patterson y Kenneth P. Fishkin. " Modelos de minería de actividades humanas desde la web ". En Actas de la Decimotercera Conferencia Internacional World Wide Web (WWW 2004), páginas 573–582, mayo de 2004.
- ^ Matthai Philipose, Kenneth P. Fishkin, Mike Perkowitz, Donald J. Patterson, Dieter Fox, Henry Kautz y Dirk Hähnel. " Inferir actividades a partir de interacciones con objetos ". En IEEE Pervasive Computing , páginas 50–57, octubre de 2004.
- ^ Dieter Fox Lin Liao, Donald J. Patterson y Henry A. Kautz. " Aprender e inferir rutinas de transporte ". Artif. Intell. , 171 (5-6): 311–331, 2007.
- ^ TLM van Kasteren, Gwenn Englebienne, BJA Kröse. " Reconocimiento de actividad humana a partir de datos de redes de sensores inalámbricos: punto de referencia y software ". Reconocimiento de actividad en entornos inteligentes generalizados, 165-186, Atlantis Press
- ↑ Piyathilaka, L .; Kodagoda, S., " HMM basado en mezcla gaussiana para el reconocimiento de la actividad humana diaria utilizando características de esqueleto 3D ", Industrial Electronics and Applications (ICIEA), 2013 8th IEEE Conference on, vol., No., Pp.567.572, 19-21 de junio de 2013
- ^ a b c TLM van Kasteren, Gwenn Englebienne, Ben Kröse " Reconocimiento de actividad jerárquica mediante acciones agrupadas automáticamente ", 2011, Inteligencia ambiental, 82–91, Springer Berlín / Heidelberg
- ^ Daniel Wilson y Chris Atkeson. Seguimiento simultáneo y reconocimiento de actividad (estrella) utilizando muchos sensores binarios anónimos . En Proceedings of the 3rd international conference on Pervasive Computing, Pervasive, páginas 62–79, Munich, Alemania, 2005.
- ^ Nuria Oliver , Barbara Rosario y Alex Pentland "Un sistema de visión por computadora bayesiano para modelar interacciones humanas" aparece en el número especial de PAMI sobre vigilancia y monitoreo visual, agosto de 00
- ^ TLM Van Kasteren, Athanasios Noulas, Gwenn Englebienne, Ben Kröse, " Reconocimiento preciso de la actividad en un hogar ", 2008/9/21, Actas de la décima conferencia internacional sobre computación ubicua, 1-9, ACM
- ^ Derek Hao Hu, Sinno Jialin Pan, Vincent Wenchen Zheng, Nathan NanLiu y Qiang Yang. Reconocimiento de actividades del mundo real con múltiples objetivos . En Actas de la décima conferencia internacional sobre computación ubicua, Ubicomp, páginas 30–39, Nueva York, NY, EE. UU., 2008. ACM.
- ^ a b Nuria Oliver , Ashutosh Garg y Eric Horvitz. Representaciones en capas para aprender e inferir la actividad de la oficina a partir de múltiples canales sensoriales . Computación. Vis. Image Underst., 96 (2): 163–180, 2004.
- ^ Amarnag Subramanya, Alvin Raj, Jeff Bilmes y Dieter Fox. Modelos jerárquicos para el reconocimiento de actividades . En Actas de la conferencia internacional sobre procesamiento de señales multimedia, MMSP, Victoria, CA, octubre de 2006.
- ^ Tao Gu, Zhanqing Wu, Xianping Tao, Hung Keng Pung y Jian Lu. epSICAR: Un enfoque basado en patrones emergentes para el reconocimiento de actividades secuenciales, intercaladas y concurrentes . En Proc. de la 7ma Conferencia Internacional Anual de IEEE sobre Computación y Comunicaciones Pervasive (Percom '09), Galveston, Texas, 9 al 13 de marzo de 2009.
- ^ Gilbert A, Illingworth J, Bowden R. Reconocimiento de acción utilizando características compuestas jerárquicas extraídas . Análisis de patrones IEEE Trans y aprendizaje automático
- ^ Liao, Lin, Dieter Fox y Henry Kautz. " Campos aleatorios condicionales jerárquicos para el reconocimiento de actividad basado en GPS ". Investigación en robótica. Springer, Berlín, Heidelberg, 2007. 487–506.
- ^ Liao, Lin, Dieter Fox y Henry Kautz. " Reconocimiento de actividad basado en la ubicación ". Avances en sistemas de procesamiento de información neuronal. 2006.
- ↑ Piyathilaka, L .; Kodagoda, S., " HMM basado en mezcla gaussiana para el reconocimiento de la actividad humana diaria utilizando características de esqueleto 3D ", Industrial Electronics and Applications (ICIEA), 2013 8th IEEE Conference on, vol., No., Pp.567.572, 19-21 de junio de 2013 URL: http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=6566433&isnumber=6566328
- ^ Piyathilaka, L. y Kodagoda, S., 2015. Reconocimiento de actividad humana para robots domésticos. En Robótica de campo y servicio (págs. 395-408). Springer, Cham. "Reconocimiento de actividad humana para robots domésticos"
- ^ Bux, Allah; Angelov, Plamen; Habib, Zulfiqar (2017). "Una revisión completa de los enfoques de representación de acciones hechos a mano y basados en el aprendizaje para el reconocimiento de la actividad humana" . Ciencias Aplicadas . 7 (1): 110. doi : 10.3390 / app7010110 .
- ^ Martínez-del-Rincón, Jesús; Santofimia, María José; Nebel, Jean-Christophe (2013). "Razonamiento de sentido común para el reconocimiento de la acción humana" . Cartas de reconocimiento de patrones . 34 (15): 1849–1860. doi : 10.1016 / j.patrec.2012.10.020 .
- ^ Cantarero, R .; Santofimia, MJ; Villa, D .; Requena, R .; Campos, M .; Florez-Revuelta, F .; Nebel, J.-C .; Martinez-del-Rincon, J .; López, JC (2016). Kinect y el razonamiento episódico para el reconocimiento de la acción humana . Congreso Internacional de Computación Distribuida e Inteligencia Artificial (DCAI'16) . Avances en Computación y Sistemas Inteligentes. 474 . págs. 147-154. doi : 10.1007 / 978-3-319-40162-1_16 . ISBN 978-3-319-40161-4.
- ^ Wang, Le; Duan, Xuhuan; Zhang, Qilin; Niu, Zhenxing; Hua, Gang; Zheng, Nanning (22 de mayo de 2018). "Segment-Tube: localización de acciones espacio-temporales en videos sin recortar con segmentación por cuadro" (PDF) . Sensores . 18 (5): 1657. doi : 10.3390 / s18051657 . ISSN 1424-8220 . PMC 5982167 . PMID 29789447 . ].
- ^ Jie Yin, Xiaoyong Chai y Qiang Yang, " Reconocimiento de objetivos de alto nivel en una LAN inalámbrica ". En Actas de la Decimonovena Conferencia Nacional sobre Inteligencia Artificial (AAAI-04), San José, CA EE. UU., Julio de 2004. Páginas 578–584
- ^ Xiaoyong Chai y Qiang Yang, " Reconocimiento de múltiples objetivos a partir de señales de bajo nivel ". Actas de la Vigésima Conferencia Nacional sobre Inteligencia Artificial (AAAI 2005), Pittsburgh, PA, EE.UU., julio de 2005. Páginas 3–8.
- ^ Derek Hao Hu, Qiang Yang. " CIGAR: Reconocimiento de actividades y objetivos concurrentes e intercalados ", que aparecerá en AAAI 2008
- ^ Jie Yin, Dou Shen, Qiang Yang y Ze-nian Li " Reconocimiento de actividad a través de la segmentación basada en objetivos ". Actas de la Vigésima Conferencia Nacional sobre Inteligencia Artificial (AAAI 2005), Pittsburgh, PA EE.UU., julio de 2005. Páginas 28–33.
- ^ D. Zhang, J. Ma, Q. Chen y LM Ni, ¡° un sistema basado en rf para rastrear objetos sin transceptor, ¡±. Procedimientos de la Computación y las Comunicaciones Pervasivas. White Plains, Estados Unidos, 2007: 135¨C144.
- ^ Q. Pu, S. Gupta, S. Gollakota y S. Patel, "Reconocimiento de gestos en toda la casa mediante señales inalámbricas". Actas de la XIX Conferencia Internacional Anual sobre Computación Móvil y Redes, Nueva York, EE. UU., 2013: 27–38.
- ^ D. Wu, D. Zhang, C. Xu, Y. Wang y H. Wang. "Más amplio: estimación de la dirección de la marcha mediante señales inalámbricas". Actas de la Conferencia conjunta internacional ACM 2016 sobre computación ubicua y ubicua, Nueva York , EE. UU., 2016: 351–362.
- ^ a b H. Wang, D. Zhang, J. Ma, Y. Wang, Y. Wang, D. Wu, T. Gu y B. Xie, "Detección de la respiración humana con dispositivos wifi básicos: determinar la ubicación y el cuerpo del usuario la orientación importa? ”. Actas de la Conferencia conjunta internacional ACM 2016 sobre computación ubicua y ubicua, Nueva York, EE. UU., 2016: 25–36.
- ^ Pollack, ME y et al., LEB 2003. " Autominder: un sistema ortopédico cognitivo inteligente para personas con deterioro de la memoria Archivado 2017-08-10 en Wayback Machine ". Robótica y sistemas autónomos 44 (3–4): 273–282.
- ^ Gao, Lianli, et al. " Un sistema de reconocimiento de actividad y etiquetado semántico basado en la web para datos de acelerometría de especies" . Informática ecológica 13 (2013): 47–56.
- ^ Nguyen, Tuan Anh y Marco Aiello. " Edificios energéticamente inteligentes basados en la actividad del usuario: una encuesta ". Energía y edificios 56 (2013): 244–257.