Activity classification using one wrist worn accelerometer. Two pattern recognition approaches in comparison : classic acceleration features vs. signal template prototypes

Physical activity improves general wellbeing and plays an important role for reduction of chronic diseases. The evaluation of PA has become increasingly important to conduct research and develop tools aimed at disease prevention. Measurements of physical activity have often been carried out by using wearable sensors, especially accelerometers, which allow users to infer metabolic energy expenditure, measure gait parameters and predict falls. An accurate evaluation of physical activity needs information about the type of physical activity that a subject performs, thus, researchers focused on developing activity recognition systems based on data collected by one unique sensor, which prevents movement restriction and facilitate using in normal daily life. The activity classification systems, so far, have been mostly based on statistical features of the body acceleration signal and machine learning algorithms, although such approach didn't provide large recognition accuracy in daily-life monitoring. Few studies have investigated the possibility to classify body acceleration signals using template matching techniques which obtained promising performance in several fields such as speech recognition and gait analysis. The main goal of this study was to develop and validate an activity recognition system based on diversified data, recorded during sport activities, by using a wrist worn accelerometer, which represents the most comfortable solution for movement performing. In particular, two classification approaches were compared: template matching and machine learning. The analysis concerning the former approach included: evaluation of the existence of periodic patterns characterizing wrist acceleration signals, creation of template prototype for each signal type and development of a classifier based on template matching techniques. The analysis concerning the second approach consisted of extraction of statistical features from acceleration signals and development of two classic machine learning algorithms: Logistic Regression (LR) and Artificial Neural Network (ANN). Comparing the activity classification performed by using machine learning algorithms and classic template matching techniques turned out that the former approach and, especially, the ANN, guarantees larger recognition accuracy. Nevertheless, since the template matching performance was comparable with traditional classifiers developed in previous studies, valid methods to recognize types of sport activities, using wrist wearable sensors, may benefit from template matching techniques, especially, concerning the opportunity to improve classification accuracy in free-living condition.

L'attività fisica migliora il benessere psico-fisico e riveste un ruolo primario per la riduzione dell'incidenza patologie croniche. A tal proposito, la valutazione di performances fisiche e lo sviluppo di sistemi mirati alla prevenzione di malattie sono diventati un importante argomento di ricerca. Misurazioni di parametri relative all'esecuzione di attività fisiche sono spesso eseguite utillizzando sensori indossabili, accelerometri in particolare, che consentono di stimare il consumo energetico, misurare parametri del cammino e rilevare cadute. Diversi studi hanno dimostrato che una stima accurata della prestazione fisica necessita di informazioni riguardanti la tipologia della attività in esecuzione. Ciò ha stimolato lo sviluppo di sistemi per il riconoscimento automatico dell' attività fisica (activity recognition) basati su informazioni rilevate da un sensore indossabile che garantisce completa libertà di movimento. La maggior parte dei sistemi per activity recognition sono stati realizzati tramite algoritmi di machine learning basati su parametri estratti dal segnale di accelerazione corporea. Tale approccio ha fornito buoni risultati per la classificazione di attività svolte in ambienti supervisionati da personale specializzato, ma non hanno dimostrato altrettanta accuratezza per la classicazione di attività svolte nella vita quotidiana. Pochi studi hanno, invece, considerato la possibilità di classificare segnali di accelerazione relativi a diverse attività fisiche impiegando tecniche di template matching, adottate con promettenti risultati per il riconoscimento vocale e l'analisi del cammino. L'obiettivo principale di questo studio è stato quello di sviluppare e validare un sistema per il riconoscimento automatico di attività sportive, basato su segnali di accelerazione rilevati da un accelerometro triassiale posizionato sul polso. In particolare, l'analisi svolta è stata incentrata sul confronto di due diversi approcci di classificazione: template matching e machine learning. L'analisi riguardante il primo approccio ha incluso la valutazione dell'esistenza di pattern specifici caratterizzanti i segnali di accelerazione di ogni classe di attività, la creazione creazione di templates rappresentanti le diverse tipologie di attività e lo sviluppo un algoritmo di activity recognition basato su tecniche di template matching. L'analisi riguardante il secondo approccio ha incluso lo sviluppo di due classici algoritmi di machine learning, quali Logistic Regression (LR) e Artificial Neural Network (ANN), basati su classici parametri (features) estratti dal segnale di accelerazione del polso. Confrontando la performance di classicazione ottenuta con gli algoritmi di machine learning e con le tecniche di template matching è emerso che il primo approccio e, in particolare, il modello di ANN garantisce accuratezza di riconoscimento maggiore. Tuttavia, l'approccio di template matching ha ottenuto risultati comparabili a quelli ottenuti da classicatori sviluppati in studi precedenti , ciò suggerisce che tecniche di template matching potrebbero contribuire positivamente allo sviluppo di metodi validi per il riconoscimento di attività sportive, svolte in ambienti non supervisionati e basati su sensori indossabili posizionati al polso.