Classification techniques for sensor-based activity recognition in smart homes

Abstract

[EN] Research on human activity recognition in smart homes has drawn lately much attention as a means to improve the quality of life, comfort, safety and health care of elderly and dependent people. The advancement of the technology in the Internet of Things (IoT) and smart homes enables the utilization of dataset benchmarks in experimental scenarios for testing appropriate predictive techniques of daily activities of residents at home. The objective of this project goes in this research direction and presents a study of the performance of different classification techniques in a sensor-based dataset of human activity. Particularly, we use the public datasets provided by the CASAS project of the Washington State University and we examine the suitability and accuracy of various classification techniques in scheduled activities as well as in daily life recordings. We perform an exhaustive evaluation of various techniques that range from a Naive Bayes classifier to Random Forests, identifying the strengths and weaknesses of the tested techniques to each type of dataset.

[ES] En los últimos años ha crecido el interés en torno el reconocimiento de la actividad humana, especialmente en los campos de la salud donde se puede utilizar para aumentar la calidad de vida, confort y seguridad de la población dependiente y de edad avanzada. El auge del internet de las cosas (IoT) y la tecnología asociada permiten a los investigadores entrenar modelos predictivos a partir de casas inteligentes equipadas con diferentes tipos de sensores donde los residentes pueden llevar a cabo su vida diaria. El objetivo de este trabajo consiste en un análisis de la efectividad de diferentes modelos de clasificación a la hora de reconocer la actividad humana a partir de conjuntos de datos ya desarrollados. Particularmente, utilizaremos datos publicados por el proyecto CASAS de la Universidad Estatal de Washington a la hora de examinar la efectividad y precisión de varias técnicas de preprocesamiento y modelos. El repositorio CASAS proporciona datos tanto de experimentos controlados, donde se busca examinar actividades específicas, como datos recogidos de voluntarios viviendo en casas inteligentes, donde intentan llevar a cabo su rutina diaria. En este trabajo se realizará una evaluación exhaustiva de varios modelos diferentes, desde un clasificador bayesiano ingenuo hasta bosques aleatorios, identificando sus fortalezas y debilidades a la hora de tratar con diferentes fuentes de datos y diferentes técnicas de preprocesamiento.

[CA] En els últims anys ha crescut l’interés en torn el reconeixement de l’activitat humana, especialment en els camps de la salut on es pot utilitzar per a augmentar la qualitat de vida, confort i seguretat de la població dependent i d’edat avançada. L’auge de l’internet de les coses (IoT) i la tecnologia associada permeten als investigadors entrenar models predictius a partir de cases intel·ligents equipades amb diferents tipus de sensors on els residents poden dur a terme la seua vida diària. L’objectiu d’este treball consistix en una anàlisi de l’efectivitat de diferents models de classificació a l’hora de reconéixer l’activitat humana a partir de conjunts de dades ja desenrotllats. Particularment, utilitzarem dades publicats pel projecte CASAS de la Universitat Estatal de Washington a l’hora d’examinar l’efectivitat i precisió de diverses tècniques de preprocessament i models. El dipòsit CASAS proporciona dades tant d’experiments controlats, on es busca examinar activitats específiques, com a dades arreplegats de voluntaris vivint en cases intel·ligents, on intenten dur a terme la seua rutina diària. En este treball es realitzarà una avaluació exhaustiva de diversos models diferents, des d’un classificador de bayes ingenues fins a boscos aleatoris, identificant les seues fortaleses i debilitats a l’hora de tractar amb diferents fonts de dades i diferents tècniques de preprocessament.