Advanced

Walking movement detection using stationary stochastic methods on accelerometer data

Törnqvist, Chalne (2017) MASK01 20171
Mathematical Statistics
Abstract
In the area of physical activity recognition, there is a great demand for better understanding data and building useful models for data analysis. Many studies have focused on using machine learning algorithms, which provide high accuracy but are computationally expensive. However, few studies have tried to approach this problem with statistical methods.
The purpose of this study is to investigate the performance of statistical signal processing methods when applied to smartphone accelerometer data. Specifically it focuses on the distinction between walking and non-walking users, with the aim of extracting characteristics that can be useful for traffic and city planning.
Popular Abstract (Swedish)
Att kunna mäta och förstå människors trafikbeteende är värdefullt eftersom det har ett direkt inflytande på stads- och mobilitetsplanering. Framv¨axten av smartphones med inbyggda accelerometrar de senaste åren har gjort det möjligt att samla in mobilitetsdata med lägre batteriåtgång än via GPS.
Igenkänning av fysisk aktivitet genom studier och analys av accelerometerdata har varit ett fokusområde inom bl.a. hälso- och sjukvård samt fitness. Samtidigt som sensorerna förbättrats har flera tekniker utvecklats för att identifiera fysiska aktiviteter med allt högre precision, men dessa kräver mycket beräkningskraft. Denna uppsats undersöker två statistiska signalbehandlingsmetoder för att åstadkomma aktivitetsigenkänning med hög precision mot en... (More)
Att kunna mäta och förstå människors trafikbeteende är värdefullt eftersom det har ett direkt inflytande på stads- och mobilitetsplanering. Framv¨axten av smartphones med inbyggda accelerometrar de senaste åren har gjort det möjligt att samla in mobilitetsdata med lägre batteriåtgång än via GPS.
Igenkänning av fysisk aktivitet genom studier och analys av accelerometerdata har varit ett fokusområde inom bl.a. hälso- och sjukvård samt fitness. Samtidigt som sensorerna förbättrats har flera tekniker utvecklats för att identifiera fysiska aktiviteter med allt högre precision, men dessa kräver mycket beräkningskraft. Denna uppsats undersöker två statistiska signalbehandlingsmetoder för att åstadkomma aktivitetsigenkänning med hög precision mot en lägre beräkningskostnad. (Less)
Please use this url to cite or link to this publication:
author
Törnqvist, Chalne
supervisor
organization
course
MASK01 20171
year
type
M2 - Bachelor Degree
subject
language
English
id
8909525
date added to LUP
2017-05-30 08:18:40
date last changed
2017-05-30 08:18:40
@misc{8909525,
  abstract     = {In the area of physical activity recognition, there is a great demand for better understanding data and building useful models for data analysis. Many studies have focused on using machine learning algorithms, which provide high accuracy but are computationally expensive. However, few studies have tried to approach this problem with statistical methods.
The purpose of this study is to investigate the performance of statistical signal processing methods when applied to smartphone accelerometer data. Specifically it focuses on the distinction between walking and non-walking users, with the aim of extracting characteristics that can be useful for traffic and city planning.},
  author       = {Törnqvist, Chalne},
  language     = {eng},
  note         = {Student Paper},
  title        = {Walking movement detection using stationary stochastic methods on accelerometer data},
  year         = {2017},
}