Bezpečnost kriticky významných osob s pomocí nositelného zařízení

Abstract

Pokrok v rozpoznávaní ľudských činností umožnil ich nasadenie v širokom spektre aplikácií, vrátane monitorovania kriticky významných osôb. Táto práca sa zameriava na využitie edge computingu pre klasifikáciu činností a detekciu spánku s dôrazom na bezpečnosť a energetickú efektívnosť. Súčasťou práce bola rešerš v oblasti rozpoznávania aktivít, detekcie spánku a dostupných procesorov pre distribuované počítanie. Následne boli navrhnuté a implementované algoritmy detekcie spánku a rozpoznávania činností. Na vybraných dátových sadách bolo natrénovaných päť modelov pre klasifikáciu činností a štyri modely pre detekciu spánku. Navrhnutý prístup využíva extrakciu čŕt priamo na edge zariadení, čím sa znižuje dátový tok a energetická náročnosť systému. Modely boli vyhodnotené na základe klasifikačnej presnosti, spotreby energie a objemu prenesených dát. Výsledky preukázali, že výpočet štatistických čŕt mal až 40-násobne nižšiu spotrebu energie v porovnaní so systémom klasifikácie realizovaným priamo na edge zariadení, a zároveň približne 38-násobne nižší objem prenesených dát oproti prenosu nespracovaných dát. Ako najúspešnejší model v oblasti klasifikácie činností sa ukázal model náhodného lesa, ktorý dosiahol presnosť 96,7 %, zatiaľ čo pri detekcii spánku dosiahli najlepšie výsledky model náhodného lesa a plne prepojená neurónová sieť, pričom oba modely dosiahli presnosť 91,2 %. Navrhnutá výpočtová architektúra dosahuje optimálny kompromis medzi spotrebou energie, prenosom dát a presnosťou klasifikácie.Advancements in human activity recognition have enabled its deployment across a wide range of applications, including the monitoring of critical individuals. This work focuses on the use of edge computing for activity classification and sleep detection, with an emphasis on safety and energy efficiency. The study includes a review of current methods in activity recognition, sleep detection, and available processors suitable for distributed computing. Subsequently, algorithms for sleep detection and activity recognition were designed and implemented. Five models for activity classification and four models for sleep detection were trained on selected datasets. The proposed approach performs feature extraction directly on the edge device, reducing both data transmission and system energy consumption. The models were evaluated based on classification accuracy, energy usage, and transmitted data volume. The results demonstrated that the computation of statistical features resulted in up to 40 times lower energy consumption compared to a classification system executed directly on the edge device, and approximately 38 times lower data transmission volume compared to sending raw data. The most successful model for activity classification was the random forest, which achieved an accuracy of 96.7 %, while for sleep detection, the best-performing models were the random forest and a fully connected neural network, both achieving an accuracy of 91.2 %. The proposed computational architecture achieves an optimal balance between energy consumption, data transmission, and classification accuracy.