Μέθοδοι εντοπισμού σημείων αλλαγής σε πολυδιάστατες χρονοσειρές για ανίχνευση μεταβολών κινητικής δραστηριότητας
(EL)
Change point detection methods evaluated on multidimensional timeseries for detecting motion based activities
(EN)
Φωτόπουλος, Ιωάννης
(EL)
Φωτόπουλος, Ιωάννης
(EL)
Πανεπιστήμιο Ιωαννίνων. Πολυτεχνική Σχολή. Τμήμα Μηχανικών Ηλεκτρονικών Υπολογιστών και Πληροφορικής
(EL)
Λύκας, Αριστείδης
(EL)
Ο αυτόματος εντοπισμός σημείων αλλαγής (unsupervised change point detection) σε πολυδιάστατες ροές δεδομένων είναι σημαντικό πρόβλημα στην ανάλυση δεδομένων που προέρχονται από συστήματα αισθητήρων (sensors). Η πλειοψηφία των μεθόδων βασίζεται στην επεξεργασία των δεδομένων εντός ενός χρονικού παραθύρου και στην εξαγωγή μετρικών που ποσοτικοποιούν την ανομοιογένεια των δεδομένων του παραθύρου.
Η εργασία καταρχήν επικεντρώνεται στην τεχνική του ολισθαίνοντος παραθύρου (sliding window) σταθερού μήκους και συγκρίνονται διάφορες μετρικές ανομοιογένειας, καθώς και εναλλακτικές μέθοδοι προεπεξεργασίας των δεδομένων (κανονικοποίηση, ανάλυση Fourier, νευρωνικοί αυτοκωδικοποιητές βαθιάς μάθησης). Επιπλέον προτείνονται και αξιολογούνται δύο νέες μετρικές, η πρώτη βασίζεται στο στατιστικό dip test για ανίχνευση μονοτροπικότητας και η δεύτερη στο σφάλμα ανακατασκευής της μεθόδου PCA. Οι παραπάνω προσεγγίσεις θεωρούν εκ των προτέρων γνωστό τον αριθμό των αλλαγών. Για να ξεπεραστεί αυτός ο περιορισμός, στη συνέχεια προτείνεται η μέθοδος του αυξανόμενου παραθύρου που εντοπίζει σε πραγματικό χρόνο τα σημεία αλλαγής. Η κύρια ιδέα είναι ότι το παράθυρο αυξάνεται κατά μήκος της ροής μέχρι ένα μέγιστο μήκος και σε κάθε βήμα ελέγχεται μονοτροπικότητα των δεδομένων (προεπεξεργασμένων ή όχι) εντός του παραθύρου. Οι ανωτέρω μεθοδολογίες εντοπισμού αλλαγών εφαρμόστηκαν και αξιολογήθηκαν σε πολυδιάστατες ροές δεδομένων από συστήματα αισθητήρων που καταγράφουν ανθρώπινες δραστηριότητες.
(EL)
The aim of this thesis is the study, development and implementation of methods for unsupervised detection of change points on multidimensional signal streams that are produced by a human tracking sensor system. The main categories of change point detection methods are two: in the first category the detection procedure is performed off-line, utilizing the whole data stream, while in the second category detection is performed in real-time.
The first part of the thesis is devoted to the Sliding Window method which belongs to the offline category. The technique relies on window of fixed length that slides over the data stream. At each step the data content inside a window is tested for homogeneity using several criteria. We have considered several such criteria and proposed two new ones: the first that is based on the statistical dip test and the second that is based on the PCA reconstruction error. Moreover, we have considered several data preprocessing options such normalization, Fourier Transform and deep neural autoencoders.
In the second part of the thesis, the Increasing Window method is proposed that overcomes the offline constraint and detects the change points at real time. The core idea is that the window is increasing along the stream and at each iteration, the unimodality of the window data sample is checked using the statistical dip test.
All the processes are evaluated on real multidimensional signal streams that are produced by a system of sensors that record human activities. The experimental results indicate that reasonable accuracy in the unsupervised detection of activity changes can be obtained when the data stream is produced by a sufficiently structured system of sensors.
(EN)
University of Ioannina
