Изучение видов деятельности на основе машинного обучения в поведенческих контекстах Интернета вещей

Модели изучения видов человеческой деятельности на основе онтологий играют жизненно важную роль в различных областях Интернета вещей, таких как умные дома, умные больницы и т.д. Основными проблемами онтологических моделей являются их статический характер и неспособность к самоэволюции. Модели нельзя разом построить полностью, и нельзя ограничить виды деятельности жителей умного дома. Кроме того, жители непредсказуемы по своей природе и могут выполнять «повседневную деятельность», не указанную в онтологической модели. Это порождает потребность в разработке интегрированной структуры, основанной на единой концептуальной основе (то есть онтологиях видов деятельности), обращаясь к жизненному циклу распознавания видов деятельности и создавая модели поведения в соответствии с распорядком дня жителей. В этой статье предложен процесс эволюции онтологии, в котором изучаются определенные виды деятельности из существующего набора видов деятельности в повседневной жизни. В этом процессе с помощью искусственной нейронной сети изучаются новые виды деятельности, которые не были идентифицированы моделью распознавания, добавляются новые свойства к существующим видам деятельности и выясняется новейшее поведение жителей при выполнении действий. Лучший уровень истинно-положительных срабатываний сети свидетельствует о распознавании видов деятельности с обнаружением искаженных сенсорных данных. Эффективность предложенного подхода очевидна из повышения скорости изучения видов деятельности, обнаружения видов деятельности и эволюции онтологии.

1. Choudhury T., Consolvo S., Harrison B. et al. The mobile sensing platform: An embedded activity recognition system. IEEE Pervasive Computing, vol. 7, no. 2, 2008, pp. 32-41.

2. Philipose M., Fishkin K.P., Perkowitz M. et al. (2004). Inferring activities from interactions with objects. IEEE Pervasive Computing, vol. 3, no. 4, 2004, pp. 50-57.

3. Safyan M., Qayyum Z.U., Sarwar S., Iqbal M., Ahmed M. Context-Aware Personalized Activity Modeling in Concurrent Environment. In Proc. of the 10th International Conference on Internet of Things (iThings-17), 2017, pp 977-982.

4. Fernández-Caballero A., Castillo J.C., Rodríguez-Sánchez J.M. Human activity monitoring by local and global finite state machines. Expert Systems with Applications, vol 39, no. 8, 2012, pp 6982-6993.

5. Chervyakov N., Babenko M., Tchernykh A. et al. AR-RRNS: Configurable reliable distributed data storage systems for Internet of Things to ensure security. Future Generation Computer Systems, vol. 92, 2019, pp. 1080-1092.

6. Chen L., Nugent C., & Okeyo G. An ontology-based hybrid approach to activity modeling for smart homes. IEEE Transactions on Human-Machine Systems, vol. 44, no. 1, 2014, pp. 92-105.

7. Poppe R. A survey on vision-based human action recognition. Image and Vision Computing, vol. 28, no. 6, 2010, pp. 976-990.

8. Weinland D., Ronfard R., & Boyer E. A survey of vision-based methods for action representation, segmentation and recognition. Computer Vision and Image Understanding, vol. 115, no. 2, 2011, pp. 224-241.

9. Azkune G., Almeida A., López-de-Ipiña D., & Chen L. Extending knowledge-driven activity models through data-driven learning techniques. Expert Systems with Applications, vol. 42, no. 6, 2015, pp. 3115-3128.

10. Ye J., Stevenson G., & Dobson S. KCAR: A knowledge-driven approach for concurrent activity recognition. Pervasive and Mobile Computing, vol. 19, 2015, pp. 47-70.

11. Riboni D., Sztyler T., Civitarese G., & Stuckenschmidt H. Unsupervised recognition of interleaved activities of daily living through ontological and probabilistic reasoning. In Proc. of the ACM International Joint Conference on Pervasive and Ubiquitous Computing, 2016, pp. 1-12

12. Okeyo G., Chen L., & Wang H. Combining ontological and temporal formalisms for composite activity modelling and recognition in smart homes. Future Generation Computer Systems, vol. 39, 2014, pp. 29-43.

13. Chen L., Nugent C.D., & Wang H. A knowledge-driven approach to activity recognition in smart homes. IEEE Transactions on Knowledge and Data Engineering, vol. 24, no. 6, 2012, pp. 961-974.

14. Azkune G., Almeida A., López-de-Ipiña D., & Chen L. (2015). Extending knowledge-driven activity models through data-driven learning techniques. Expert Systems with Applications, vol. 42, no. 6, 2015, pp. 3115-3128.

15. Chen L, Nugent C.D., and Wang H. A Knowledge-Driven Approach to Activity Recognition in Smart Homes. IEEE Transactions on Knowledge and Data Engineering, vol. 24, no. 6, 2012, pp. 961-974.

16. Gellersen H.W., Schmidt A., & Beigl. M. Multi-sensor context-awareness in mobile devices and smart artifacts. Mobile Networks and Applications, vol. 7, no. 5, 2002, pp. 341-351.

17. Buettner M., Prasad R., Philipose M., & Wetherall D. Recognizing daily activities with RFID-based sensors. In Proc. of the 11th International Conference on Ubiquitous Computing, 2009, pp. 51-60.

18. Gellersen H.W., Schmidt A., & Beigl M. (2002). Multi-sensor context-awareness in mobile devices and smart artifacts. Mobile Networks and Applications, vol. 7, no. 5, 2002, pp. 341-351.

19. Ravi N., Dandekar N., Mysore P., & Littman M.L. (2005, July). Activity recognition from accelerometer data. In Proc. of the Twentieth National Conference on Artificial Intelligence and the Seventeenth Innovative Applications of Artificial Intelligence Conference, 2005, pp. 1541-1546.

20. Brezmes T., Gorricho J.L., & Cotrina J. Activity recognition from accelerometer data on a mobile phone. Lecture Notes in Computer Science, vol. 5518, 2009, pp. 796-799.

21. Dayan P. Unsupervised learning. In Wilson R.A. & Keil F., editors. The MIT Encyclopedia of the Cognitive Sciences. MIT, 1999, 7 p.

22. Chen L., Nugent C. Ontology-based activity recognition in intelligent pervasive environments. International Journal of Web Information Systems, vol. 5, no. 4, 2017, pp. 410-430.

23. Liao L., Fox D., & Kautz H. Extracting places and activities from gps traces using hierarchical conditional random fields. The International Journal of Robotics Research, vol. 26, no. 1, 2007, pp. 119-134.

24. Tapia E.M., Choudhury T., & Philipose M. Building reliable activity models using hierarchical shrinkage and mined ontology. Lecture Notes in Computer Science, vol. 3968, 2006, pp. 17-32

25. Yamada N., Sakamoto K., Kunito G. et al. Applying ontology and probabilistic model to human activity recognition from surrounding things. IPSJ Digital Courier, vol. 3, 2007, pp. 506-517.

26. Safyan M., Qayyum Z.U., Sarwar S., Iqbal M., Ahmed M. Ontology-driven Semantic Unified Modeling for Concurrent Activity Recognition (OSCAR). International Journal of Multimedia Tools and Applications, vol. 78, 2019, pp. 2073–2104.

27. Fong T., Nourbakhsh I., and Dautenhahn K. A survey of socially interactive robots. Journal of Robotics and Autonomous Systems, Vol 42, no. 2, 2003, pp. 143-166.

28. Latfi F., Lefebvre B., & Deschen C. (2017). Ontology-Based Management of the Telehealth Smart Home, Dedicated to Elderly in Loss of Cognitive Autonomy. In Proc. of the OWLED: Workshop on OWL: Experiences and Directions, 2027, pp. 3-16.

29. Klein M., Schmidt A., & Lauer R. (2007). Ontology-centered design of an ambient middleware for assisted living: The case of soprano. In Proc. of the 30th Annual German Conference on Artificial Intelligence KI, 2007, pp. 2-8.

30. Chen L., Nugent C., Mulvenna M., Finlay D., & Hong X. Semantic smart homes: towards knowledge rich assisted living environments. Studies in Computational Intelligence, vol 189, 2009, pp. 279-296.

31. Машечкин И.В., Петровский М.И., Царев Д.В., Чикунов М.Н. Методы машинного обучения для задачи обнаружения и мониторинга экстремистской информации в сети интернет. Программирование, том 45, no. 3, 2019 г., стр. 18-37 / Mashechkin I.V., Petrovskiy M.I., Tsarev D.V., Chikunov M.N. Machine Learning Methods for Detecting and Monitoring Extremist Information on the Internet. Programming and Computer Software, vol. 45, no. 3, 2019, pp. 99–115.

32. Сарвар С., Кайум З.У, Сафьян М., Икбал М., Махмуд Я. Выявление характерных особенностей программ для борьбы с компьютерным пиратством на основе интеллектуального анализа графов. Труды ИСП РАН, том 31, вып. 2, 2019 г., стр. 171-186. DOI: 10.15514/ISPRAS-2019-31(2)-12 / Sarwar S., Qayyum Z.U., M Safyan, Iqbal M., Mahmood Y. (2019). Graphs Resemblance based Software Birthmarks through Data Mining for Piracy Control. Programming and Computer Software, vol 45, no. 8, 2019, pp. 581–589.

33. Бабенко М.Г., Черных А.Н., Червяков Н.И. и др. Эффективное сравнение чисел в системе остаточных классов на основе позиционной характеристики. Труды ИСП РАН, том 31, вып. 2, 2019 г., стр. 187-202. DOI: 10.15514/ISPRAS-2019-31(2)-13 / Babenko M., Tchernykh A., Chervyakov N. et al. Positional Characteristics for Efficient Number Comparison over the Homomorphic Encryption. Programming and Computer Software, vol 45, no. 8, 2019, pp 532–543.

34. Augusto J.C. & Nugent C.D. (2004). The use of temporal reasoning and management of complex events in smart homes. In Proc. of the 16th European Conference on Artificial Intelligence, 2004, pp. 778-782.

35. García-Hernández L.E., Tchernykh A., Miranda-López V., Babenko M. Multi-objective Configuration of a Secured Distributed Cloud Data Storage. In Proc. of the Latin American High Performance Computing Conference, 2019, pp. 78-93.