Using power wheelchairs (PW) is a difficult task which needs special motor control trainings for their users. The objective of this thesis is to develop computational tools to automatically identify user driving behaviors in order to design user-specific training methods. There are many research projects on human activity recognition using wearable sensors such as accelerometers; however, PW event recognition is very rare. Moreover, for many PW applications the decision must be made with very low time complexity since accident consequences can be serious. In this thesis, we propose a machine learning framework for PW activity recognition. The framework contains three main steps: datalogging, feature extraction and event classification. In the first step, PWs are outfitted with a datalogging platform that records movement data such as acceleration. In the next step, 4 different types of features have been extracted from the preprocessed movement data and in the last step, a classifier has been trained to classify 35 different types of wheelchair activities. The classification accuracy from four different types of features has been compared: time-delay embeddings, time-domain characterization, frequency-domain features, and wavelet transforms. In a first analysis, the classification accuracy obtained when distinguishing between safe and unsafe events is compared. In a second analysis, classifcation accuracy when distinguishing between 35 different types of events is analyzed. We show that using time-delay embedding features a large proportion of activities can be detected. Specially this method, shows great performance in the detection of unsafe events. / L'utilisation de fauteuils roulants motorisés (FRM) est une tâche difficile qui requiert un apprentissage moteur particulier. L'objectif de cette thèse vise à développer des outils informatiques permettant d'identifier automatiquement le profil comportemental d'un usager de manière à fournir des méthodes d'apprentissage sur-mesure. Plusieurs projets de recherche se sont penchés sur la reconnaissance d'activité humaine utilisant des capteurs portables tels que des accéléromètres; toutefois, la reconnaissance d'événements survenant sur les FRM est rare. De plus, dans la plupart des applications pour FRM les décisions de contrôle doivent être prises rapidement, sans débordement des ressource de calcul, puisque les conséquences d'un incidents peuvent être graves. Dans cette thèse, nous proposons une approche d'apprentissage machine pour la reconnaissance d'activité des FRM. Elle consiste en trois étapes principales: capture des données, extraction de caractéristiques, et classification. À la première étape, une plate-forme de capture de donnée est installée sur le FRM. Dans un second temps, quatre types de caractéristiques sont extraites à partir de données pré-traitées. Finalement, un classifieur est entraîné à distinguer 35 types d'activités pouvant survenir sur le fauteuil roulant. L'exactitude des quatre types de caractéristiques a été comparée: plongements retardés dans le temps, caractérisation dans le domaine temporel, caractérisation dans le domaine fréquentiel, et décomposition en ondelettes. Dans une première analyse, l'exactitude du classifieur à distinguer les événements sécuritaires et non-sécuritaires est comparée. Ensuite, nous nous attardons à analyser la capacité à classifier les 35 types d'événements. Nous démontrons que les plongements retardés dans le temps permettent de détecter une proportion importante des activités. De plus, cette méthode s'avère très efficace à détecter les événements non-sécuritaires.
| Identifer | oai:union.ndltd.org:LACETR/oai:collectionscanada.gc.ca:QMM.119653 |
| Date | January 2013 |
| Creators | Kardehi Moghaddam, Athena |
| Contributors | Joelle Pineau (Internal/Supervisor) |
| Publisher | McGill University |
| Source Sets | Library and Archives Canada ETDs Repository / Centre d'archives des thèses électroniques de Bibliothèque et Archives Canada |
| Language | English |
| Detected Language | French |
| Type | Electronic Thesis or Dissertation |
| Format | application/pdf |
| Coverage | Master of Science (School of Computer Science) |
| Rights | All items in eScholarship@McGill are protected by copyright with all rights reserved unless otherwise indicated. |
| Relation | Electronically-submitted theses. |
Page generated in 0.0018 seconds