Profesor: Javier Ruiz del Solar Auxiliar: Daniel Hermann P. Ayudante:Felipe Valdés Alumno:Sebastián Gálvez EL4106: Inteligencia Computacional Clasificador.

Presentación del tema: "Profesor: Javier Ruiz del Solar Auxiliar: Daniel Hermann P. Ayudante:Felipe Valdés Alumno:Sebastián Gálvez EL4106: Inteligencia Computacional Clasificador."— Transcripción de la presentación:

1 Profesor: Javier Ruiz del Solar Auxiliar: Daniel Hermann P. Ayudante:Felipe Valdés Alumno:Sebastián Gálvez EL4106: Inteligencia Computacional Clasificador de actividades físicas Primer Avance

2 ◦ Señales temporales:

3 ◦ En señales como las del magnetómetro en X es imposible aumentar el numero de muestras dividiendo un ejemplo sin que cambie mucho la señal. ◦ Es complejo analizar qué actividades físicas poseen señales similares considerando las 9 mediciones temporales.

4 ◦ Grandes diferencias de varianza al observar Aceleración en Z

5

6

7 ◦ Se propone definir Macro Clases:  Movimiento leve:Gym Biking Standing  Movimiento medio:Biking Climbing Descending Walking  Movimiento fuerte:Running Jumping Treadmill

8 ◦ Se calculan las siguientes características a cada señal de medición 1.Media 2.Varianza 3.Máximo 4.Mínimo 5.Rango 6.Energía Total Total: 54 características. Otras Características Propuestas sin calcular aún: -Energía para bajas frecuencias -Energía para altas frecuencias -Frecuencia dominante

9 ◦ Una vez definidas todas las características a explorar se seleccionarán las más aptas para cada etapa de clasificación. ◦ Para cada clasificador se seleccionaran características mediante el método de eliminación. ◦ Se partirá con un número grande de características y se irán eliminando una a una cuidando que el clasificador mantenga su rendimiento.

10 ◦ Se propone primera capa de clasificación entre «Movimiento Leve» y «Movimiento medio y fuerte» utilizando un clasificador SVM. ◦ Posteriores capas por definir, se evaluará uso de Redes Neuronales y SVM en algunos casos. ◦ Por ahora se descarta utilizar un clasificador Bayesiano debido a la baja cantidad de muestras.

11 ◦ Resultados utilizando Parámetro C=1y Kernel Gaussiano con σ=1  Curva ROC considerando las 54 características

12  Curva ROC considerando sólo Varianza, Rango, Energía Total para señales de aceleración y aceleración angular para x,y,z.

13  Curva ROC considerando sólo Varianza, Energía Total para señales de aceleración y aceleración angular en x,y,z.

14  Curva ROC considerando sólo Varianza, Rango, Energía Total para señales de aceleración y aceleración angular sólo en z.

15 ◦ Para clasificar cada clase dentro de la macro clase «Movimiento leve» ya clasificada, se propone utilizar nuevamente un SVM. ◦ Se deben analizar con más detalle las características a utilizar. ◦ Se debe entrenar con los datos del conjunto de entrenamiento clasificados por la primera capa.

16 ◦ Separar con SVM las macroclases «Movimiento Medio» y «Movimiento Fuerte». ◦ Utilizar Red Neuronal para la capa final en cada una de estas macroclases. ◦ Evaluar uso de clasificador Bayesiano para la última capa si no se utilizan características extraídas de las mediciones del magnetómetro y se puede aumentar el número de muestras.

17 SVM 1 SVM 2 «Mov. Leve» SVM 3 Gym Biking Standing «Mov. Medio y Fuerte» «Mov. Medio» «Mov. Fuerte» RNA/ Bayes 1 RNA/ Bayes 2 Biking Climbing Descending Walking Running Jumping Treadmill

18 Fechas límite Objetivo 29/0531/051/067-8/0614/0617/06 Clasificador Primera Capa Clasificadores Segunda Capa Clasificadores Tercera Capa (RNA) Selección Características Aumentar número de muestras y probar clasificador Bayesiano Refinar clasificadores para características óptimas