Human Activity Recognition in the context of Health Smart Home by using Machine Learning Classification Models

Dal 2050, la percentuale di persone con età superiore a 65 anni sarà più del triplo. Di conseguenza, le persone affette da patologie legate all’età aumenteranno. Il tema di ricerca di questa tesi riguarda il riconoscimento di attività svolte dalle persone anziane nella propria abitazione (Human Activity Recognition – HAR) al fine di diagnosticare possibili patologie il prima possibile e di identificare situazioni anomale. Due datasets esistenti e liberamente accessibili sono stati utilizzati a tal scopo. In particolare, questi dataset contengono informazioni riguardanti le attività eseguite da diverse persone (rispettivamente 12 e 30) ed acquisite mediante molteplici sensori come sensori di movimento (posizione), sensori sugli sportelli (per monitorare l’utilizzo dell’armadio e dei pensili della cucina), sensore di temperatura ed umidità ed accelerometro. Queste informazioni sono poi state utilizzate per la classificazione delle attività di basso livello (quattro attività: sedersi, alzarsi, camminare, stendersi) e delle attività di alto livello (sei attività: dormire, mangiare, riposarsi, uso dei servizi igienici, uso del wc, vestirsi/svestirsi). La classificazione è stata realizzata utilizzando differenti tecniche di Machine Learning, quali Support Vector Machine, Artificial Neural Networks, K-Nearest Neighbours e Random Forest. Per validare gli algoritmi di classificazione sono state utilizzate tecniche di cross-validation, come K-fold e leave-one-out.