Вариант 2. Часть 1. Задание 4. ЕГЭ 5 вариантов ответов по Обществознанию 11 класс Королькова. Выберите верные суждения, плиз – Рамблер/класс
Вариант 2. Часть 1. Задание 4. ЕГЭ 5 вариантов ответов по Обществознанию 11 класс Королькова. Выберите верные суждения, плиз – Рамблер/классИнтересные вопросы
Школа
Подскажите, как бороться с грубым отношением одноклассников к моему ребенку?
Новости
Поделитесь, сколько вы потратили на подготовку ребенка к учебному году?
Школа
Объясните, это правда, что родители теперь будут информироваться о снижении успеваемости в школе?
Школа
Когда в 2018 году намечено проведение основного периода ЕГЭ?
Новости
Будет ли как-то улучшаться система проверки и организации итоговых сочинений?
Вузы
Подскажите, почему закрыли прием в Московский институт телевидения и радиовещания «Останкино»?
Выберите верные суждения о человеческой деятельности и запишите цифры, под которыми они указаны.
1) Деятельность — это специфический вид активности человека,
направленный на познание и творческое преобразование окружающего мира, включая самого себя и условия своего существования.
2) Результатом человеческой деятельности является создание
предметов только материальной культуры.
3) Человеческая деятельность направлена исключительно во
внешнюю среду и не преобразует самого человека.
4) Творческий характер человеческой деятельности проявляется в
том, что он позволяет ему выйти за пределы своей природной
ограниченности.
5) Продуктивный характер деятельности позволил человеку создать знаковые системы, а также орудия воздействия на себя и
природу.
ответы
ваш ответ
Можно ввести 4000 cимволов
отправить
дежурный
Нажимая кнопку «отправить», вы принимаете условия пользовательского соглашения
похожие темы
ГИА
ОГЭ
Юмор
Олимпиады
похожие вопросы 5
ОГЭ по обществознанию 9 класс Котова Лискова Вариант 10 ч.
1 Вопрос 13 Верны ли следующие суждения о межнациональном сотрудничестве?
Верны ли следующие суждения о межнациональном сотрудничестве?
А. К условиям успешного межнационального сотрудничества (Подробнее…)
ГДЗОбществознаниеОГЭ9 классКотова О.А.Лискова Т.Е.
ЕГЭ Математика 11 класс. Ященко И. В. Тренировочная работа 7 Вопрос 8 Найдите значение выражения.
Привет всем! Туговато как-то идет с ответом…помогите плиззз…
Найдите значение выражения 7-10 : 4917 ∙ 746. (Подробнее…)
ЕГЭМатематикаЯщенко И.В.Семенов А.В.11 класс
ЕГЭ Математика 11 класс. Ященко И. В. Тренировочная работа 7 Вопрос 9 Найдите значение выражения.
Привет…Не могу справиться с ответом на такой вопрос…может кто поможет, а?
Найдите значение выражения 3-15 : 48-17 ∙ 16-16. (Подробнее…)
ЕГЭМатематикаЯщенко И.В.Семенов А.В.11 класс
ЕГЭ Математика 11 класс. Ященко И.
В. Тренировочная работа 7 Вопрос 10 Найдите значение выражения.
Найдите значение выражения (Подробнее…)
ЕГЭМатематикаЯщенко И.В.11 классСеменов А.В.
Вариант 1. С-51. № 1. ГДЗ Алгебра 7 класс Звавич. помогите найти значения алгебраических дробей
Найдите значения алгебраических дробей при соответствующих значениях х и заполните таблицу: (Подробнее…)
ГДЗАлгебра7 классЗвавич Л.И.
Понятие деятельности
Деятельность можно определить как специфический вид активности человека, направленный на познание и творческое преобразование окружающего мира, включая самого себя и условия своего существования. В деятельности человек создает предметы материальной и духовной культуры, преобразует свои способности, сохраняет и совершенствует природу, строит общество, создает то, что без его активности не существовало в природе. Творческий характер человеческой деятельности проявляется в том, что благодаря ей он выходит за пределы своей природной ограниченности, т.
е. превосходит свои же генотипически обусловленные возможности. Вследствие продуктивного, творческого характера своей деятельности человек создал знаковые системы, орудия воздействия на себя и природу. Пользуясь этими орудиями, он построил современное общество, города, машины, с их помощью произвел на свет новые предметы потребления, материальную и духовную культуру и в конечном счете преобразовал самого себя. Исторический прогресс, имевший место за последние несколько десятков тысяч лет, обязан своим происхождением именно деятельности, а не совершенствованию биологической природы людей.Современный человек живет в окружении таких предметов, ни один из которых не является чистым творением природы. Ко всем таким предметам, особенно на работе и в быту, оказались в той или иной степени приложенными руки и разум человека, так что их можно считать материальным воплощением человеческих способностей. В них как бы опредмечены достижения разума людей. Усвоение способов обращения с такими предметами, включение их в деятельность выступает как собственное развитие человека.
Всем этим человеческая деятельность отличается от активности животных, которые не производят ни чего подобного: ни одежды, ни мебели, ни машин, ни знаковых систем, ни орудий труда, ни средств передвижения и многого другого. Для удовлетворения своих потребностей животные пользуются только тем, что им предоставила природа.
Иными словами, деятельность человека проявляется и продолжается в творениях, она носит продуктивный, а не только потребительский характер.
Породив и продолжая совершенствовать предметы творения, человек кроме способностей развивает свои потребности. Оказавшись связанным с предметами материальной и духовной культуры, потребности людей приобретают культурный характер.
Деятельность человека принципиально отличается от активности животных и в другом отношении. Если активность животных вызвана естественными потребностями, то деятельность человека в основном порождается и поддерживается искусственными потребностями, возникающими благодаря присвоению достижений культурно-исторического развития людей настоящего и предшествующих поколений.
Всякая деятельность имеет определенную структуру. В ней обычно выделяют действия и операции как основные составляющие деятельности.
Действием называют часть деятельности, имеющею вполне, осознанную человеческом цель. Например, действием, включенным в структуру познавательной деятельности, можно назвать получение книги, ее чтение; действиями, входящими в состав трудовой деятельности, можно считать знакомство с задачей, поиск необходимых инструментов и материалов, разработку проекта, технологии изготовления предмета и т.п.; действиями, связанными с творчеством, являются формулировка замысла, поэтапная его реализация в продукте творческой работы.
Операцией именуют способ осуществления действия. Сколько есть различных способов выполнения действия, столько можно выделить различных операций. Характер операций зависит от условия выполнения действия, от имеющихся у человека умений и навыков, от наличия инструментов и средств осуществления действия.
Деятельность
- Алгоритм
- Ведущая деятельность
- Виды деятельности
- Врабатывание
- Высшая нервная деятельность человека и животных
- Действие
- Деятельностный подход в психологии
- Деятельность как предмет психологии
- Единство сознания и деятельности: развитие идеи
- Игра
- … и другое
Характеристики системы человеческой деятельности
Характеристики системы человеческой деятельностиКомплексный системный исследовательский проект ISSS (ISIPP)
ВКУС СИСТЕМЫ
Под редакцией Тома Манделя
ХАРАКТЕРИСТИКА СИСТЕМЫ ДЕЯТЕЛЬНОСТИ ЧЕЛОВЕКА
Бела Банати
Цель, процесс, взаимодействие, интеграция и возникновение — важные маркеры понимания систем.
Кроме того, мы должны думать и определять системы человеческой деятельности всегда на трех уровнях. (1) Система служит цели своего коллективного образования. (2) Он служит целям своих членов. (3) Он служит своему окружению или более крупной системе, в которую он встроен.
«Как часто мы пренебрегаем целями тех, кто находится в системе
и окружающей среды.»
Следующие утверждения содержат внутренне непротиворечивое определение и характеристику СИСТЕМА ДЕЯТЕЛЬНОСТИ ЧЕЛОВЕКА —
это собрание людей и других ресурсов, организованных в единое целое для достижения цели. На людей в системе влияет то, что они находятся в системе, и своим участием в системе они воздействуют на систему. Люди в системе выбирают и осуществляют действия — индивидуально и коллективно, — которые позволят им достичь коллективно определенной цели.
поддерживает наборы отношений — устойчивые во времени — между теми, кто находится в системе. Поддержание этих отношений имеет первостепенное значение.
Процесс, с помощью которого эти отношения поддерживаются, является регулированием системы, правилами игры, а пределы, в которых эти правила могут поддерживаться, являются условиями стабильности системы во времени. Именно здесь приверженность (общей цели) и мотивация (выполнение деятельности) играют такую важную роль,
открыт и взаимодействует с окружающей средой; зависит от него и способствует ему. Характер его взаимоотношений с окружающей средой — взаимная взаимозависимость. Эта взаимозависимость накладывает ограничения и ожидания как на систему, так и на ее среду. Ожидается, что среда предоставит ресурсы и поддержку, необходимые системе.
действует как целое по отношению к самому себе и само по себе — своими внутренними отношениями и внутренней интеграцией, — посредством которых оно также может поддерживать себя. Таким образом, хотя мы рассматриваем систему как единое целое, мы в то же время рассматриваем ее как часть — и встроенную — в ее среду.
Системное понимание возникает в результате «применения» динамики поиска цели и достижения цели, взаимодействия и интеграции людей как системы и ее среды.
РЕЗЮМЕ: В приведенном выше тексте мы зафиксировали первоначальный взгляд на ландшафт системных исследований, поскольку мы рассмотрели его четыре основных компонента (философия систем, теория систем, методология систем и применение систем). Мы также исследовали типы систем и описали общие характеристики человека. Системы деятельности Теперь мы можем перейти к обсуждению развития системного взгляда.
Продолжить дегустацию
Вернуться на главную страницу
Распознавание человеческой деятельности и обнаружение закономерностей
- Список журналов
- Рукописи авторов HHS
- PMC3023457
Всеобъемлющие вычисления IEEE. Авторская рукопись; доступно в PMC 2011 19 января.
Опубликовано в окончательной редакции как:
IEEE Pervasive Comput. 2010 г.; 9 (1): 48.
DOI: 10.1109/MPRV.2010.7
PMCID: PMC3023457
NIHMSID: NIHMS261970
PMID: 21258659
Copyright и лицензия Displymer
. его можно применить ко многим реальным проблемам, ориентированным на человека, таким как уход за пожилыми людьми и здравоохранение. Успешные исследования до сих пор были сосредоточены на распознавании простых человеческих действий. Распознавание сложных действий остается сложной и активной областью исследований. В частности, природа человеческой деятельности ставит следующие проблемы:Распознавание параллельных действий
Люди могут выполнять несколько действий одновременно [3]. Например, люди могут смотреть телевизор, разговаривая со своими друзьями. Такое поведение следует распознавать с использованием подхода, отличного от подхода к последовательной деятельности.
Распознавание чередующихся действий
Определенные действия в реальной жизни могут чередоваться [3]. Например, во время приготовления пищи, если звонит друг, люди приостанавливают приготовление пищи на некоторое время, а после разговора с другом возвращаются на кухню и продолжают готовить.
Неоднозначность толкования
В зависимости от ситуации трактовка сходных действий может быть различной. Например, действие «открыть холодильник» может относиться к нескольким действиям, таким как «готовка» или «уборка».
Несколько резидентов
Во многих средах присутствует более одного резидента. Действия, которые выполняются резидентами параллельно, должны быть признаны, даже если деятельность выполняется совместно резидентами в группе.
Понимание деятельности человека включает в себя распознавание деятельности и выявление закономерностей деятельности. Первый фокусируется на точном обнаружении деятельности человека на основе предопределенной модели деятельности.
Поэтому исследователь распознавания деятельности сначала строит концептуальную модель высокого уровня, а затем реализует модель, создавая подходящую всеобъемлющую систему. С другой стороны, обнаружение паттернов активности больше связано с поиском некоторых неизвестных паттернов непосредственно из данных датчика низкого уровня без каких-либо заранее определенных моделей или предположений. Следовательно, исследователь обнаружения паттернов активности сначала строит всеобъемлющую систему, а затем анализирует данные датчиков, чтобы обнаружить паттерны активности. Несмотря на то, что эти два метода различны, они оба направлены на улучшение технологии человеческой деятельности. Кроме того, они дополняют друг друга — обнаруженный шаблон активности можно использовать для определения действий, которые будут распознаваться и отслеживаться.
Целью распознавания деятельности является распознавание обычных человеческих действий в условиях реальной жизни. Точное распознавание деятельности является сложной задачей, поскольку человеческая деятельность сложна и очень разнообразна.
Для построения моделей деятельности использовалось несколько алгоритмов, основанных на вероятности. Скрытая марковская модель и условное случайное поле являются одними из самых популярных методов моделирования. Мы опишем эти два метода в контексте примера действия , поедающего .
Скрытая модель Маркова (HMM)
Простые действия могут быть точно смоделированы как цепи Маркова. Однако сложные или незнакомые действия часто трудно понять и смоделировать. Например, исследователю, изучающему повседневную деятельность человека с деменцией, будет трудно подобрать модель, если он не является экспертом в области деменции и не разбирается в связанных с ней поведенческих науках. К счастью, наблюдение сигналов, исходящих от сложных или незнакомых действий, можно использовать для косвенного построения модели действия. Такая модель называется скрытой марковской моделью или HMM. Наблюдая за эффектами деятельности, HMM может постепенно строить модель деятельности, которую можно дополнительно настраивать, расширять и повторно использовать в аналогичных исследованиях.
HMM — это генеративная вероятностная модель, которая используется для генерации скрытых состояний из наблюдаемых данных [2]. В частности, основной целью этой модели является определение скрытой последовательности состояний (y 1 y 2 … y t ), которая соответствует наблюдаемой выходной последовательности (x 1 ,x 2 …,x т ). Другая важная цель состоит в том, чтобы надежно изучить параметры модели из истории наблюдаемых выходных последовательностей. показывает графическое представление HMM, состоящего из 5 скрытых состояний и 4 наблюдаемых переменных.
Открыть в отдельном окне
Графическое представление HMM
HMM требует двух предположений о независимости для приемлемого вывода:
1 st порядок Марковское предположение о переходе
P ( Y T ∣ Y 1 , Y 2 , y 3 , — y 3 ,… — y 3 ,… — y 3 ,…
4).
Р ( y t ∣ y t −1 )Будущее состояние зависит только от текущего состояния, а не от прошлых состояний [2]. То есть скрытая переменная в момент времени t, y t , , зависит только от предыдущей скрытой переменной y t−1 .
Условная независимость параметров наблюдения
P ( x т ∣ у т , x 1 , x 2 , …, x t −1 , y 1 , y 2 , y 3 , …, y T −1 ) = P ( x T ∣ Y T )
T )
T )
The Exercable AT
, TIMESBIUIBLE AT
, TIMESTAIBLIBLE AT , TIMESBIUIBLE AT , TIMESBIUIBLIBLE AT . зависит только от текущего скрытого состояния y t . Другими словами, вероятность наблюдения x в скрытом состоянии y не зависит от всех других наблюдаемых переменных и прошлых состояний [2].
Р ( y t ∣ y t −1 )
зависит только от текущего скрытого состояния y t . Другими словами, вероятность наблюдения x в скрытом состоянии y не зависит от всех других наблюдаемых переменных и прошлых состояний [2].Чтобы найти наиболее вероятную скрытую последовательность состояний из наблюдаемой выходной последовательности, HMM находит последовательность состояний, которая максимизирует общую вероятность p(x,y) вероятности перехода p ( y t − 1 | Y T ) и вероятность наблюдения P ( x T | Y T ) (это вероятность, что исход X T — в состоянии y T T T T. [2].
p(x,y)=∏t=1Tp(yt∣yt−1)p(xt∣yt)
Когда HMM используется для распознавания действий, действия представляют собой скрытые состояния, а наблюдаемые выходные данные – это данные датчиков. показывает HMM для примера , потребляющего активность .
Открыть в отдельном окне
Пример СММ для пищевой активности
Для повышения точности СММ возможно обучение с предварительным знанием некоторых аспектов модели [2]. Кроме того, индивидуально обученные HMM можно комбинировать для построения более крупной модели HMM (например, сложной деятельности с четкой структурой подвидов деятельности). Обучение иногда необходимо, чтобы «индуцировать» все возможные последовательности наблюдений, необходимые для нахождения совместного распределения p(x,y) HMM.
Условное случайное поле (CRF)
Несмотря на то, что HMM просты и популярны, они имеют серьезные ограничения, в первую очередь сложность представления нескольких взаимодействующих действий (одновременных или переплетенных) [3]. HMM также не может фиксировать дальние или транзитивные зависимости наблюдений из-за очень строгих предположений о независимости (от наблюдений). Кроме того, без серьезной подготовки НММ может быть не в состоянии распознать все возможные последовательности наблюдений, которые могут соответствовать конкретной деятельности.
На практике многие виды деятельности могут иметь недетерминированный характер, при этом некоторые этапы деятельности могут выполняться в любом порядке. На практике также многие виды деятельности являются параллельными или переплетаются. Условное случайное поле (CRF) — более гибкая альтернатива HMM, отвечающая таким практическим требованиям. Это дискриминантная и порождающая вероятностная модель зависимости скрытой переменной х от наблюдаемой переменной х [2]. И HMM, и CRF используются для поиска скрытого перехода состояния из последовательностей наблюдений. Однако вместо того, чтобы находить совместное распределение вероятностей p(x,y), как это делает HMM, CRF пытается найти только условную вероятность p(y|x). CRF допускает произвольные, не независимые отношения между последовательностями наблюдений, что обеспечивает дополнительную гибкость. Другим важным отличием является ослабление предположений о независимости, при котором вероятности скрытых состояний могут зависеть от прошлых и даже будущих наблюдений [2].
CRF моделируется как неориентированный ациклический граф, гибко фиксирующий любое отношение между наблюдаемой переменной и скрытым состоянием [2]. показывает CRF-эквивалент модели НММ пищевой активности, показанной на рис.
Открыть в отдельном окне
Пример ИРК для пищевой активности
ИРК использует потенциальную функцию вместо совместной функции вероятности [2]. Предположим, что есть скрытые переменные y = (y 1 , y 2 , … , Y T — 1 , y T ) и наблюдение Variables 9999999999999999999999999999 (x x = T ) и наблюдение , y T ) и наблюдение . 1 ,х 2 , … ,х к ). Две вероятности, переход и наблюдение, HMM заменены тем, что называется переходной функциональной функцией r ( y t −1 , y t ) и функция признака состояния s ( y t 90 ), 10059 y 4 t 90 соответственно].
Обе функции признаков возвращают 1 в простейшем случае, если между его переменными есть корреляция. Потенциальная функция p(Y | X) вычисляется по следующему уравнению [2].
p(Y∣X)=1Z(X)exp(∑iλi∑t=1nfi(yt−1,yt,X,t))
где , f i ( Y T −1 , y T , x , T ) = R ( Y T ) = R ( Y T ) = R ( Y T 9 y3 y
y3 y
3 y
3 y
3 y
3 y
3 y
3.
и где λ i — вес корреляции, который представляет фактический потенциал. В примере с едой значения λ i показаны на , которые являются значениями, оцененными на основе данных обучения. Z( X ) — это коэффициент нормализации для преобразования потенциального значения в значение вероятности от 0 до 1 [2].
Условное случайное поле с пропуском цепи (SCCRF)
Приведенная выше потенциальная функция очень проста и приводит к тому, что известно как CRF с линейной цепочкой. Хотя линейно-цепочечные CRF более гибкие, чем HMM (из-за ослабленных предположений о независимости), они оба имеют ограничение, заключающееся в том, что они подходят только для действий, которые носят последовательный характер. Для моделирования сложных действий с одновременными и чередующимися поддействиями необходимы более сложные потенциальные функции для захвата долгосрочных зависимостей (с пропуском цепочки). В этом случае CRF называется CRF с пропуском цепи или SCCRF. Учитывая, что Skip Chain по сути является Linear Chain с большим расстоянием между двумя переменными, легко определить потенциальные функции SCCRF как продукты нескольких Linear Chains [2]. Такие потенциальные продукты являются дорогостоящими в вычислительном отношении, особенно для большого количества цепочек пропуска между действиями [2].
Возникающие закономерности (EP)
Возникающая закономерность — это вектор признаков каждого действия, описывающий существенные изменения между двумя классами данных [3]. Рассмотрим набор данных D , состоящий из нескольких экземпляров, каждый из которых имеет набор атрибутов и соответствующие им значения. Среди доступных атрибутов есть те, которые поддерживают класс больше, чем другие. Например, вектор признаков {location@kitchen, object@burner} — это EP кулинарной деятельности , а {object@cleanser, object@plate, location@kitchen} — 9 EP.0059 Очистка обеденного стола, действие [3]. Чтобы найти эти атрибуты, support и GrowthRate вычисляются для каждого атрибута X [3].
Supp (x) = ThenumberOfInStancesContainingXIndThenMemberOfinStancesInd
Учитывая два различных класса наборов данных D1 и D2 , темпы роста элементов x от D1 до D2 60. Следующие : : .
GrowthRate(X){0ifSupp1(X)=0andSupp2(X)=0∞ifSupp1(X)=0andSupp2(X)>0Supp2(X)Supp1(X)иначе
EP — это наборы предметов с большими темпами роста от D1 до D2 . Эти ВП извлекаются из последовательных данных датчиков и применяются для распознавания чередующихся и одновременных действий [3].
Другие подходы
Количество моделей машинного обучения, которые использовались для распознавания действий, варьируется почти так же сильно, как и типы распознаваемых действий и типы используемых сенсорных данных. Наивные байесовские классификаторы использовались с многообещающими результатами для распознавания активности [6]. Эти классификаторы идентифицируют активность, которая с наибольшей вероятностью соответствует набору (предполагаемых условно независимыми) значений датчиков, которые наблюдались. Другие исследователи использовали деревья решений для получения читаемых логических описаний действий [7].
Сравнение методов распознавания активности
сравнивает представленные методы распознавания активности по трем ключевым аспектам.
Методы Skip-Chain CRF и Emerging Pattern распознают параллельные и чередующиеся действия. За исключением Emerging Patterns, все методы требуют обучения с учителем, что, в свою очередь, требует обучающих данных для распознавания реальной деятельности, что является основным ограничением при выполнении автоматической маркировки. Когда среда датчика изменяется, это влияет на каждую модель и также должна быть изменена соответствующим образом.
Table 1
Comparison of activity recognition models
| HMM | Linear Chain CRF | Skip Chain CRF | Emerging Pattern | |
|---|---|---|---|---|
| Concurrent & interleaved activity | Not recognized | Не распознан | Признан | Признан |
| Метод обучения маркировке | Под наблюдением | Supervised | Supervised | Partially unsupervised |
| Scalability | Change of HMM graph required | Change of CRF graph required | Change of SCCRF graph required | EP mining required |
Open в отдельном окне
Дополнением к идее распознавания активности является автоматическое распознавание моделей активности без присмотра.
Отслеживание только предварительно выбранных действий игнорирует важную информацию, которую могут дать другие обнаруженные закономерности о привычках жителей и характере окружающей среды. Кроме того, если автоматически обнаруженные действия распознаются и отслеживаются, данные не нужно предварительно маркировать и использовать для обучения алгоритмов распознавания.
Обнаружение распорядка дня на основе тематической модели
Одним из интуитивно понятных способов поиска распорядка дня является построение иерархической модели деятельности. Действия более низкого уровня, такие как сидение, стояние, прием пищи и вождение автомобиля, распознаются с помощью алгоритма обучения под наблюдением. Более высокий уровень модели обнаруживает комбинации действий более низкого уровня, которые представляют собой более сложные модели действий.
В подходе тематической модели к обнаружению паттернов деятельности [4] паттерны деятельности распознаются способом, подобным тому, как темы могут быть извлечены из документа с использованием подхода набора слов.
Смесь тем можно смоделировать как полиномиальное распределение вероятностей p(z | d) над темами z . Важность каждого слова для темы z также моделируется как распределение вероятностей p(w | z) по словам в словаре. Уравнение ниже показывает распределение слов, ожидаемое для набора тем:
p(w∣d)=∑z=1Tp(w∣z)p(z∣d),d:document,w:word,z:topic где слова соответствуют признанным действиям, а повседневные дела соответствуют активации темы. В качестве примера процесс был применен к сбору сенсорных данных для одного субъекта. (вверху) показано интуитивное описание действий, отмеченных субъектом, а (внизу) показаны действия, которые были автоматически обнаружены с помощью соответствующих p(w | z) значений.
Обнаружение шаблонов данных об активности
Альтернативный подход к обнаружению шаблонов активности заключается в визуальном наблюдении за действиями и извлечении отдельных поз из видеоданных.
Затем действия могут быть представлены путем построения вероятностных контекстно-свободных грамматик с использованием поз в качестве грамматического алфавита [5]. показаны примеры поз, которые соответствуют сбору последовательностей ключевых кадров видео.
Открыть в отдельном окне
Извлечение паттернов движения из данных датчиков [5]
Затем из данных извлекаются определенные классы правил, которые представляют собой повторяющиеся последовательности поз и сложных комбинаций, как показано на рис. Например, действие «удар ногой» состоит из трех пар поз, обозначенных как q1–q3 в (слева). Если действие «удар ногой» сочетается с распознаваемым объектом, таким как «футбол», комбинация соответствует более конкретному действию, которое может быть распознано, например «играть в футбол».
Открыть в отдельном окне
Составные действия [5]
Помимо кластеризации нескольких примитивных действий, они объединяются с объектом и создают более конкретные составные действия.
Например, если действие «удар» сочетается с объектом «футбол», это порождает более конкретное действие, такое как «играть в футбол».
После обнаружения действий они могут стать основой для модели, позволяющей распознавать действия, отслеживать их возникновение и даже использовать информацию для оценки уровня благосостояния человека или предоставления услуг с учетом действий. Таким образом, эти технологии обнаружения и распознавания активности полезны для оказания всесторонней помощи в повседневной жизни человека.
Таблица 2
Темы и ее деятельность [4]
| Тема | ДЕРЕВАЯ Темы | .|
|---|---|---|
| 2 Открыть в отдельном окне | Занятия сидя/за столом (0,99) | |
| 3 Открыть в отдельном окне | обедать (0,5), свободно ходить (0,26), брать еду из столовой (0,06), стоять в очереди (0,06), без маркировки (0,04) | |
| 4 открывать в отдельном окне (0,69), свободно ходить (0,18), стоять в очереди (0,06) | ||
| 5 Открыть в отдельном окне | водить машину (0,33), ходить и носить что-либо (0,21), сидеть/за столом (0,2 ), пешком (0,14), без маркировки (0,08) | |
| 6 Открыть в отдельном окне | Пользоваться туалетом (0,69), свободно ходить (0,17), обсуждать у доски (0,06), сидеть/за столом (0,03) | |
| 7 Открыть в отдельном окне | обедать (0,77), работать за столом (0,1), мыть посуду (0,08), без этикетки (0,04) | |
| 8 открывать в отдельном окне | лежать/за компьютером (1,0) | 33 unlabeled (0. 87) |
| 10 Open in a separate window | watching a movie (1.0) |
Open in a separate window
1. Bose R, Helal A. Observing Walking Behavior людей с использованием распределенных механизмов обнаружения и отслеживания явлений. Материалы Международного семинара по практическому применению сенсорных сетей; 2008. [Google Scholar]
2. Саттон С., МакКаллум А. Введение в условные случайные поля для реляционного обучения. В: Гетур Л., Таскар Б., редакторы. Введение в статистическое реляционное обучение. Массачусетский технологический институт Пресс; 2006. [Google Академия]
3. Gu T, Wu Z, Tao X, Pung HK, Lu J. epSICAR: подход на основе возникающих шаблонов к распознаванию последовательных, чередующихся и параллельных действий. Материалы Международной конференции IEEE по всеобъемлющим вычислениям и коммуникациям; 2009.