(Luận văn) nghiên cứu nhận dạng hoạt động bất thường của người bằng iot

HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THƠNG - PHAN HỮU THĂNG lu an n va p ie gh tn to NGHIÊN CỨU NHẬN DẠNG HOẠT ĐỘNG BẤT THƯỜNG CỦA NGƯỜI BẰNG IOT d oa nl w an lu u nf va LUẬN VĂN THẠC SĨ KỸ THUẬT (Theo định hướng ứng dụng) ll oi m z at nh z m co l gm @ HÀ NỘI – 2020 an Lu n va ac th si lu an n va p ie gh tn to d oa nl w ll u nf va an lu oi m z at nh z m co l gm @ an Lu n va ac th si HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THƠNG - PHAN HỮU THĂNG lu an n va p ie gh tn to NGHIÊN CỨU NHẬN DẠNG HOẠT ĐỘNG BẤT THƯỜNG CỦA NGƯỜI BẰNG IOT CHUYÊN NGÀNH : 8.48.01.01 d oa nl w MÃ SỐ: KHOA HỌC MÁY TÍNH lu an LUẬN VĂN THẠC SĨ KỸ THUẬT ll u nf va (Theo định hướng ứng dụng) oi m z at nh NGƯỜI HƯỚNG DẪN KHOA HỌC PGS.TS PHẠM VĂN CƯỜNG z m co l gm @ an Lu HÀ NỘI – 2020 n va ac th si lu an n va p ie gh tn to d oa nl w ll u nf va an lu oi m z at nh z m co l gm @ an Lu n va ac th si i LỜI CAM ĐOAN Tôi cam đoan cơng trình nghiên cứu riêng tơi Nội dung luận văn có tham khảo sử dụng tài liệu, thơng tin đăng tải tạp chí trang web theo danh mục tài liệu tham khảo Tất tài liệu tham khảo có xuất xứ rõ ràng trích dẫn hợp pháp Tơi xin hồn tồn chịu trách nhiệm chịu hình thức kỷ luật theo quy định cho lời cam đoan lu an Hà nội, ngày tháng năm 2020 n va to p ie gh tn Người cam đoan oa nl w d Phan Hữu Thăng ll u nf va an lu oi m z at nh z m co l gm @ an Lu n va ac th si ii LỜI CẢM ƠN lu an n va p ie gh tn to Lời đầu tiên, em xin bày tỏ cảm ơn chân thành thầy giáo PGS.TS Phạm Văn Cường - Giáo viên hướng dẫn trực tiếp Thầy giúp tiếp cận kiến thức ứng dụng học máy vào toán phát hoạt động bất thường sử dụng IoT suốt q trình nghiên cứu hồn thiện luận văn thạc sĩ kỹ thuật Em xin gửi lời cảm ơn tới thầy cô khoa Công nghệ Thơng tin Học viện Bưu viễn thơng hướng dẫn, bảo tạo điều kiện cho học tập nghiên cứu trường suốt thời gian qua Em xin gửi lời cảm ơn hỗ trợ từ đề tài nghiên cứu độc lập cấp quốc gia “Nghiên cứu thiết kế, chế tạo hệ thống tự động trợ giúp theo dõi hô hấp vận động bất thường dựa tảng Internet vạn vật (IoT-Internet of Things)  ” mã số ĐTĐLCN-16/18 Mặc dù cố gắng để hoàn thành luận văn chắn khơng thể tránh khỏi thiếu sót Kính mong nhận thông cảm bảo quý thầy cô w d oa nl Hà Nội, Ngày 15/05/2020 ll u nf va an lu Học viên oi m z at nh z m co l gm @ an Lu n va ac th si iii MỤC LỤC LỜI CAM ĐOAN i LỜI CẢM ƠN ii DANH MỤC BẢNG iv DANH MỤC HÌNH .v lu an IMỞ ĐẦU va n II NỘI DUNG gh tn to CHƯƠNG 1:TỔNG QUAN VỀ PHÁT HIỆN VẬN ĐỘNG BẤT THƯỜNG .5 p ie 1.1 Giới thiệu w 1.2 Các nghiên cứu trước phát hoạt động bất thường d oa nl 1.3 Phạm vi giả định 16 lu CHƯƠNG 2: PHÁT HIỆN HOẠT ĐỘNG BẤT THƯỜNG CỦA CON NGƯỜI va an 18 ll u nf 2.1.Thiết kế vịng đeo tay thơng minh, dây thắt lưng thông minh 18 oi m 2.2.Phân tích xử lý liệu cảm biến 22 z at nh 2.3.Phát hoạt động bất thường .26 2.3.1 Huấn luyện mơ hình học máy 26 z @ gm CHƯƠNG 3:THỰC NGHIỆM VÀ ĐÁNH GIÁ 34 m co l 3.1.Thu thập liệu 34 3.2.Thử nghiệm đánh giá 36 an Lu 3.3 Kết 38 n va ac th si iv III KẾT LUẬN 42 IV DANH MỤC CÁC TÀI LIỆU THAM KHẢO 43 DANH MỤC BẢNG Bảng 1-1 - Bảng ma trận lỗi 13 Bảng 2-1 : Cấu trúc Packet 20 Bảng 2-2 : Cấu trúc SampleData 20 lu an Bảng 3-1 : Danh sách hoạt động 35 va n Bảng 3-2 : Bảng ma trận confusion .36 gh tn to Bảng 3-3: Mã trận lỗi giải pháp thứ 39 p ie Bảng 3-4 : Kết giải pháp thứ 39 Bảng 3-5 : Mã trận lỗi giải pháp thứ 40 nl w d oa Bảng 3-6 : Kết giải pháp thứ 41 ll u nf va an lu oi m z at nh z m co l gm @ an Lu n va ac th si v DANH MỤC HÌNH Hình 1-1 Loại cảm biến vị trí gắn cảm biến [5] .9 Hình 1-2 Mơ hình nhận dạng hoạt động bất thường Jie Yin [5] 10 Hình 1-3 Xây dựng mơ hình hoạt động bất thường [5] 12 Hình 1- - Kết thực nghiệm Jie Yin 14 lu Hình 1-5 : Mơ hình phát hoạt động bất thường Apurva Landge [12] 15 an n va Hình 2-1 Kích thước cảm biển WAX3 18 tn to Hình 2-2 hình dạng cảm biến WAX3 19 ie gh Hình 2-3: Vịng đeo tay thông minh 21 p Hình 2-4 : Ví dụ hình ảnh phát điểm bất thường One Class SVM .27 oa nl w Hình 2-5 : Mơ hình huấn luyện mơ hình học máy 27 Hình 2-6 : Mơ hình huấn luyện mơ hình học máy .30 d lu va an Hình 2- : Mơ hình HMM cho hoạt động hướng 31 u nf Hình 2-8 : Mơ hình HMM cho hoạt động Chạy chậm 31 ll Hình 2-8 : Mơ hình nhận dạng hoạt động bất thường 32 oi m z at nh Hình 3-1: Bố trí, lắp đặt mơi trường thiết bị thu liệu CMDFALL 34 z m co l gm @ an Lu n va ac th si vi lu an n va p ie gh tn to d oa nl w ll u nf va an lu oi m z at nh z m co l gm @ an Lu n va ac th si 31 Ry2z2¿ Rz2x2¿ N N ∑( N ∑( i=1 N i=1 y (i ) −TbY z ( i )−TbZ )( ¿)¿ StdY StdZ (2.28) z ( i )−TbZ x ( i ) −TbX )( ¿)¿ StdZ StdX (2.29) Sau tính tốn gia trị đặc trưng 50 vector liệu, ta có vector đặc trưng 24 chiều cho liệu đó : (TbX1, TbY1, TbZ1 ,…… Rx2y2, Ry2z2, Rz2x2) lu Tập liệu hoạt động bình thường chia thành M khung, khung tính an toán vector đặc trưng dùng để huấn luyện cho mơ hình học má One Class va n SVM p ie gh tn to Giải pháp thứ hai : Sử dụng Hidden Markov Models để trích chọn đặc trưng d oa nl w u nf va an lu ll Hình 2-6 : Mơ hình huấn luyện mơ hình học máy m oi Tồn hiệu hoạt động bình thường gán nhãn Với z at nh liệu hoạt động bình thường sử dụng làm liệu huấn luyện cho model HMM Giả sử toàn liệu hoạt động bình thường thu thập có M z l gm hoạt động bình thường @ hoạt động bình thường Sau huấn luyện ta thu M model HMM cho m co Một số mô hình HMM hoạt động bình thường sau : an Lu n va ac th si 32 lu an n va to p ie gh tn Hình 2- : Mơ hình HMM cho hoạt động hướng d oa nl w ll u nf va an lu oi m z at nh z gm @ Hình 2-8 : Mơ hình HMM cho hoạt động Chạy chậm l m co Sau có M mơ hình HMM cho M loại hoạt động bình thường Với liệu từ cảm biến WAX3 (x1, y1, z1, x2, y2, z2), tính tốn giá trị log- an Lu n va ac th si 33 likelihood từ mơ hình HMM hoạt động bình thường Cơng thức tính: L(Yi; λj) = log P (Yi|λj), ≤ i ≤ N, ≤ j ≤ M (2.30) Trong : M số mơ hình HMM hoạt động bình thường N : số lượng số liệu (x1, y1, z1, x2, y2, z2) Bằng cách tính tốn vậy, với liệu dùng để huấn luyện, thu vector đặc trưng xi = ( L(Yi; λ1), , L(Yi; λM) ) Từ vector đặc lu an trưng này, ta sử dụng thuật toán One Class SMV để huấn luyện mơ n va hình phát hoạt động bất thường p ie gh tn to 2.3.2 Phát theo dõi vận động d oa nl w ll u nf va an lu oi m z at nh Hình 2-8 : Mơ hình nhận dạng hoạt động bất thường Sau có Model hoạt động bình thường kết đầu z trình huấn luyên Dữ liệu nhận từ cảm biến WAX3 nhận trích chọn đặc @ m co l bất thường từ Model hoạt động bình thường gm trưng Từ đặc trưng phân loại hoạt động bình thương hay hoạt động Với giải pháp thứ nhất, trích chọn đặc trưng cách chia liệu cảm biến an Lu nhận (x1, y1, z1, x2, y2, z2) thành cửa sổ Mỗi cửa sổ gồm 50 n va ac th si 34 liệu để tính toán giá trị đặc trưng để tạo thành vector đặc trưng Từ vector đặc trưng thu được, sử dụng mô hinh học máy One Class SMV để phân loại hoạt động bất thường hay bình thường Với giải pháp thứ 2, trích chọn đặc trưng cách sử dụng mơ hình HMM hoạt động bình thường Với liệu từ cảm biến WAX3 (x1, y1, z1, x2, y2, z2), tính tốn giá trị log-likelihood từ mơ hình HMM hoạt động bình thường Sau tính tốn thu vector đặc trưng xi = ( L(x1; λ1), , L(z2; λM) ) Từ vector đặc trưng này, ta sử lu dụng thuật toán One Class SMV để phân loại hoạt động bất thường hay an bình thường n va p ie gh tn to d oa nl w ll u nf va an lu oi m z at nh z m co l gm @ an Lu n va ac th si 35 CHƯƠNG 3:THỰC NGHIỆM VÀ ĐÁNH GIÁ Chương trình bày trình thu thập dữ liệu về một số hoạt động để tạo tập dữ liệu mẫu Tiếp theo chương trình bày đánh giá phương pháp phát hoạt động bất thường chương 3.1.Thu thập liệu Luận văn sử dụng liệu CMDFALL Đây tập liệu đa thể thức lu nhắm đến mục đích phân tích ngã, phát người ngã, nghiên cứu chung an va đến từ hai trường Học viên Cơng nghệ Bưu Viễn thơng Đại học Bách n Khoa Hà Nội Trong trình thu liệu, hai cảm biến gia tốc WAX3 sử gh tn to dụng để thu liệu từ 50 người Các thiết bị ghi hình Kinect đặt nhiều vị ie trí khác xung quanh phịng, hai cảm biến gia tốc đeo cổ tay p trái hông trái người thu liệu d oa nl w ll u nf va an lu oi m z at nh z m co l gm @ an Lu n va ac th si 36 Hình 3-1: Bố trí, lắp đặt mơi trường thiết bị thu liệu CMDFALL Để phục vụ cho mục đích sử dụng đa thể thức, liệu từ tất thiết bị gắn kèm nhãn thời gian với độ chia nhỏ mili giây, tạo thuận tiện cho việc đồng theo thời gian luồng liệu với Có tổng cộng 17 hoạt động chia thành nhóm hoạt động bình thường nhóm hoạt động bất thường, chi tiết nhóm ID 17 hoạt động lu an Đi theo hướng Chạy chậm Nhảy chỗ Cử động tay đầu gối Cúi xuống nhặt đồ tay trái Cúi xuống nhặt đồ tay phải Đi loạng choạng Ngồi lên ghế đứng lên Di chuyển ghế sang vị trí khác 10 Ngồi lên giường đứng lên n va gh tn to p ie Không ngã (Hoạt động d oa nl w bình thường) ll u nf va an lu Nằm lên giường ngồi dậy oi Ngã phía trước z at nh 12 m 11 Ngã phía sau Ngã (Hoạt động bất 14 Ngã bên trái thường) 15 Ngã bên phải 16 Ngã bên trái ngồi ghế 17 Ngã bên phải ngồi ghế z 13 m co l gm @ an Lu n va ac th si 37 Bảng 3-1 : Danh sách hoạt động 3.2.Thử nghiệm đánh giá Các thước đo đánh giá bao gồm:  Confusion matrix: hay gọi ma trận lỗi, khái niệm học máy cho phép mơ hoạt động thuật tốn dạng bảng Mỗi cột ma trận đại diện cho instance lớp dự đoán, lu hàng đại diện cho vector đặc trưng lớp thực tế an Nó có dạng: n va Lớp dự đoán gh tn to Lớp Ci Lớp = YES Lớp = NO Lớp = YES True positive(TP) False positive(FP) Lớp = NO False True negative(TN) p ie Lớp thực tế d oa nl w va an lu negative(FN) u nf Bảng 3-2 : Bảng ma trận confusion ll + TP : số lượng ví dụ thuộc lớp hoạt động bình thường phân loại oi m vào lớp hoạt động bình thường z at nh + FP : số lượng ví dụ khơng thuộc lớp hoạt động bình thường phân vào z lớp hoạt động bình thường gm @ + TN : số lượng ví dụ thuộc lớp hoạt động bất thường phân vào lớp m co l hoạt động bất thường lớp hoạt động bất thường an Lu + FN : số lượng vị dụ không thuộc lớp hoạt động bất thường phân vào n va ac th si 38  Tỉ lệ lớp nhận dạng xác (true positive + true negative): Tỷ lệ theo phần trăm số vector đặc trưng gán lớp tổng số vector đặc trưng kiểm thử  Tỉ lệ lớp nhận dạnh khơng xác(false positive + false negative): Tỷ lệ theo phần trăm số vector đặc trưng gán lớp sai tổng số vector đặc trưng kiểm thử  accuracy : Đó tỷ lệ đối tượng dán nhãn xác cho tồn nhóm đối tượng accuracy = TP+TN TP+ FP+ FN +TN (3.1) lu an  Precision recall hay cịn gọi độ xác độ bao phủ va n Precision - độ xác : xác định phần hồ sơ mà thực hóa tích tn to cực nhóm phân loại Tính tổng số ví dụ thuộc lớp Ci phân loại ie gh xác chia cho tổng số ví dụ phân loại vào lớp ci p Precision = TP TP+ FP (3.2) oa nl w Recall - độ bao phủ : phần trăm trường hợp tích cực TP rate, tính tổng số ví dụ thuộc lớp Ci phân loại xác chia cho tổng số d an lu ví dụ thuộc lớp Ci TP TP+ FN (3.3) u nf va Recall = ll Recall gọi True Positive Rate hay Sensitivity (độ nhạy), Precision m oi gọi Positive Predictive Value (PPV); Ngồi ta có độ đo khác z at nh True Negative Rate Accuracy True Negative Rate gọi Specificity z gm @  Độ đo F1 : l F= (3.4) an Lu 2∗Precision∗Recall Precision+ Recall m co Tiêu chí đánh giá F1 kết hợp tiêu chí đánh giá Precision Recall n va ac th si 39 F1 trung bình điều hịa (harmonic mean) tiêu chí Precision Recall - F1 có xu hướng lấy giá trị gần với giá trị nhở giá trị Precision Recall - F1 có giá trị lớn giá trị Precision Recall lớn 3.3 Kết Phương pháp thứ nhất, đặc trưng trích chọn cách chia liệu thành cửa sổ Mỗi cửa sổ 50 liệu cảm biến tập liệu Tính tốn lu đặc trưng : Trung bình cộng, độ lệch chuẩn, Entropy thông tin, độ tương quan an liệu Bộ liệu hoạt động bình thường gồm 400.000 liệu cho va n hoạt động bình thường Chia thành cửa sổ, cửa sổ 50 liệu Tổng số tn to cửa số hoạt động bình thường 8000 Dữ liệu hoạt động bất thường sử ie gh dụng để kiểm tra gồm 15.000 liệu, tổng số cửa sổ hoạt động bất thường p 300 Kết phương pháp cho bảng sau : d Với : oa nl w Ma trận lỗi : an lu : Ngã phía trước ll u nf va :Ngã phía sau oi z at nh : Ngã bên phải m : Ngã bên trái z m co : Các hoạt động khác (Hoạt động bình thường) l : Ngã bên phải ngồi ghế gm @ : Ngã bên trái ngồi ghế an Lu n va ac th si 40 lu 204 0 0 96 210 0 0 90 0 211 0 89 0 213 0 87 0 0 190 110 0 0 202 98 109 109 109 109 109 109 191 an n va to gh tn Bảng 3-3: Mã trận lỗi giải pháp thứ p ie Bảng kết tính tốn độ đo : Recall F11 0.68 0.65 0.66 0.70 0.66 0.68 0.70 0.66 0.68 0.71 0.68 0.68 d oa nl w Precision ll u nf va an lu oi m z at nh 0.63 0.64 0.63 0.67 0.65 0.66 z gm @ l Bảng 3-4 : Kết giải pháp thứ m co Phương pháp thứ hai, Sử dụng HMM để trích chọn đặc trưng Với liệu để kiểm tra Kết phương pháp : an Lu kiểm tra gồm 3000 liệu bất thường 3000 liệu hoạt động bình thường n va ac th si 41 Ma trận lỗi : Với : : Ngã phía trước :Ngã phía sau : Ngã bên trái : Ngã bên phải lu : Ngã bên trái ngồi ghế an n va : Ngã bên phải ngồi ghế 2590 0 0 410 2550 0 0 450 0 2597 0 403 va 0 2696 0 304 0 2135 865 0 2493 507 1491 1491 1491 1491 1509 p ie gh tn to : Các hoạt động khác (Hoạt động bình thường) d oa nl w an lu ll 0 1491 1491 u nf oi m z at nh z gm @ Bảng 3-5 : Mã trận lỗi giải pháp thứ F11 an Lu Recall m co Precision l Bảng kết tính tốn độ đo : n va ac th si 42 0.86 0.63 0.73 0.85 0.63 0.72 0.87 0.63 0.73 0.90 0.64 0.75 0.71 0.59 0.64 0.83 0.62 0.71 lu an Bảng 3-6 : Kết giải pháp thứ n va Từ kết thực nghiệm cho thấy, Phương pháp trích chọn đặc trưng sử dụng tn to HMM cho kết tốt Kết độ đo phương pháp trích chọn đặc trưng gh HMM có độ xác cao Phân loại hoạt động bình thường p ie bất thường tốt nl w Trong hai phương pháp thực nghiệm cho thấy, hoạt động bất thường “Ngã oa bên phải” cho điểm số cao Phương pháp trích chọn đặc trưng chia cửa sổ d cho độ đo F1 0.68, phương pháp trích chọ đặc trưng mơ hình HMM cho độ lu va an đo F1 0.75 Điều lý giải cảm biến gắn vòng đeo tay thông minh u nf dây thắt lưng thông minh phía bên phải nên ngã tư đứng ll phía bên phải cho liệu cảm biến gia tốc dễ nhận biết oi m z at nh Tuy nhiên ngã bên phải tư ngồi ghế cho điểm số thấp Phương pháp trích chọn đặc trưng chia cửa sổ cho độ đo F1 0.63, z phương pháp trích chọn đặc trưng HMM cho độ đo F1 0.64 Tại ngồi gm @ ghế ngã bên phải, hai cảm biến vịng đeo tay thơng minh dây thắt l lưng thơng gần nhau, ngã bên phải, liệu cảm biến nhận m co dễ bị nhầm lẫn sang hoạt động bình thường khác chậm … an Lu n va ac th si 43 III KẾT LUẬN Luận văn tập trung nghiên cứu phương pháp nhận dạng hoạt động người, đồng thời áp dụng vào việc nghiên cứu các hoạt động phần tay phần eo thể người Dự kiến, luận văn đạt số kết sau:  Thử nghiệm đánh giá phương pháp nhận dạng hoạt động người sở lựa chọn phương pháp nhận dạng hoạt động phần tay eo thể người để phát hoạt động bất thường  Xây dựng ứng dụng demo nhận dạng số hoạt động bất thường cụ thể lu người an n va Trong tương lai, luận văn tiếp tục nghiên cứu để nhận phương pháp tốt để mang lại tính xác cao p ie gh tn to dạng nhiều hoạt động hoạt động bất thường Đồng thời, lựa chọn d oa nl w ll u nf va an lu oi m z at nh z m co l gm @ an Lu n va ac th si 44 IV DANH MỤC CÁC TÀI LIỆU THAM KHẢO [1] “Accurate Prediction of Energy Expenditure Using a Shoe-Based Activity Monitor” Nadezhda Sazonova, Raymond C Browning, Và Edward Sazonov Department of Electrical and Computer Engineering, University of Alabama, Tuscaloosa, AL; Department of Health and Exercise Science, Colorado State University, Fort Collins, CO [2] “Detecting stereotypical motor movements in the classroom using lu accelerometry and pattern recognition algorithms” của Fahd Albinali , Matthew S an Goodwin, Stephen Intille tại Massachusetts Institute of Technology, Cambridge, va n MA 02139, USA ;The Groden Center, Inc., Providence, RI 02906, USA ; gh tn to Northeastern University, Boston, MA 02115, USA [3] “Pervasive Computing and Autism: Assisting Caregivers of Children ie p with Special Needs” của Julie A Kientz, Gillian R Hayes, Tracy L Westeyn, Thad nl w Starner and Gregory D Abowd tại Georgia Institute of Technology d oa [4] “Autism: recognition, referral diagnosis and management of adults on the an lu autism spectrum” của NICE clinical guideline 142 guidance.nice.org.uk/cg142 u nf va [5] “Sensor-based Abnormal Human-Activity Detection” Jie Yin, Qiang Yang, Senior Member, IEEE and Jeffrey Junfeng Pan ll m oi [6] S D Bay and M Schwabacher Mining distance-based outliers in near linear z at nh time with randomization and a simple pruning rule In Proceedings of the Ninth ACM SIGKDD International Conference on Knowledge Discovery and Data z Mining (KDD), Washington, DC, USA, August 2003 gm @ [7] G Fumera and F Roli Cost-sensitive learning in support vector machines In In l m co Proceedings of the Workshop on Machine Learning, Methods and Applications, held in the context of the Eighth Meeting of the Italian Association of Artificial an Lu Intelligence (AI*IA), Siena, Italy, September 2002 n va ac th si 45 [8] Jeffrey Junfeng Pan, James T Kwok, Qiang Yang, and Yiqiang Chen Multidimensional vector regression for accurate and low-cost location estimation in pervasive computing IEEE Transactions on Knowledge and Data Engineering, 18(9):1181– 1193, 2006 [9] J Yin, X Chai, and Q Yang High-level goal recognition in a wireless LAN In Proceedings of the Nineteenth National Conference in Artificial Intelligence (AAAI), San Jose, CA, USA, July 2004 [10] B Scholkopf, J Platt, J Shawe-Taylor, and A Smola Estimating the support lu of a high-dimensional distribution Neural Computation, 13(7):1443–1471, July an 2001 va n [11] D.M.J Tax and R.P.W Duin Support vector domain description Pattern gh tn to Recognition Letters, 20(1113):1191–1199, 1999 p ie [12] Ms Apurva Landge, PG Student, Department of Computer Engineering, SPCOE Otur, A Smart Home Monitoring System for Abnormal Human Activity oa nl w Detection Using SVM, IJCSMC, Vol 4, Issue 12, December 2015, pg.15 – 29 d [13] H.Medjahed, D.Istrate, J.Bouny,and B.Dorizzi, “Human activities of daily an lu living recognition using fuzzy logic for elderly home monitoring”, in proc IEEE Int u nf va Conf Fuzzy Syst, aug 2009,pp.2001-2006 ll [14] L Bao and S S Intille Activity recognition from user-annotated acceleration z at nh pages 1–17.Springer, 2004 oi m data.In Proceedings of The International Conference on Pervasive Computing, [15] Katherine A Heller Krysta M Svore Angelos D Keromytis Salvatore J z Registry Accesses l gm @ Stolfo, One Class Support Vector Machines for Detecting Anomalous Windows m co [16] M Palatucci, D Pomerleau, G E Hinton, and T M Mitchell Zero-shot learning withsemantic output codes In Proceedings of The Neural Information an Lu Processing Systems(NIPS), 2009 n va ac th si