กรุณาใช้ตัวระบุนี้เพื่ออ้างอิงหรือเชื่อมต่อรายการนี้:
https://buuir.buu.ac.th/xmlui/handle/1234567890/3898ระเบียนเมทาดาทาแบบเต็ม
| ฟิลด์ DC | ค่า | ภาษา |
|---|---|---|
| dc.contributor.author | จักริน สุขสวัสดิ์ชน | |
| dc.contributor.author | ชิดชนก เหลือสินทรัพย์ | |
| dc.contributor.author | อุรีรัฐ สุขสวัสดิ์ชน | |
| dc.contributor.author | ชนัญชิดาดุษฎี ทูลศิริ | |
| dc.contributor.author | เหมรัศมิ์ วชิรหัตถพงศ์ | |
| dc.contributor.other | มหาวิทยาลัยบูรพา. คณะวิทยาการสารสนเทศ | |
| dc.date.accessioned | 2020-04-22T03:14:08Z | |
| dc.date.available | 2020-04-22T03:14:08Z | |
| dc.date.issued | 2562 | |
| dc.identifier.uri | http://dspace.lib.buu.ac.th/xmlui/handle/1234567890/3898 | |
| dc.description.abstract | งานวิจัยส่วนใหญ่ที่เกี่ยวข้องกับการสร้างตัวแบบรู้จำกิจกรรม ด้วยข้อมูลกระแสเชิงเวลา จากตัวรับรู้แอคเซเลอโรมิเตอร์ของสมาร์ทโฟน และอุปกรณ์สวมใส่ข้อมือ จะใช้วิธีสร้างตัวแบบรู้จำ กิจกรรมเฉพาะบุคคล โดยจำเป็นต้องเก็บข้อมูลการทำกิจกรรมต่าง ๆ ของผู้ใช้ตามยะระเวลาที่ กำหนด จากนั้นจึงนำข้อมูลที่ได้ไปสร้างตัวแบบรู้จำกิจกรรมด้วยวิธีการจำแนกข้อมูลวิธีการต่าง ๆ ซึ่ง จะได้ตัวแบบรู้จำกิจกรรมที่เหมาะสมกับผู้ใช้คนคนนั้น แต่อย่างไรก็ตามการสร้างตัวแบบรู้จำกิจกรรม ลักษณะนี้อาจเป็นการรบกวนผู้ใช้มากเกินไป เนื่องจากผู้ใช้จะต้องเสียเวลาเก็บข้อมูลการทำกิจกรรม ด้วยตัวเอง ยิ่งไปกว่านั้นถ้าหากผู้ใช้ทำกิจกรรมไม่ครบทุกกิจกรรมหรือทำไม่ตรงตามเวลาที่กำหนด การรู้จำกิจกรรมก็อาจเกิดความผิดพลาดขึ้นได้ จากโครงการวิจัยที่ได้รับทุนสนับสนุนจากงบประมาณเงินรายได้จากเงินอุดหนุนรัฐบาล (งบประมาณแผ่นดิน) ประจำ ปีงบประมาณ พ.ศ. 2560 มหาวิทยาลัยบูรพา ผ่านสำนักงาน คณะกรรมการการวิจัยแห่งชาติ ที่ผ่านมา ผู้วิจัยได้นำเสนอวิธีการสร้างตัวแบบรู้จำกิจกรรมไม่เฉพาะ บุคคล 2 วิธี ได้แก่ 1) วิธี “การรู้จำกิจกรรมแบบไม่เฉพาะบุคคลบนอุปกรณ์สมาร์ทโฟน” หรือ “ไอ ซาร์” และ 2) วิธี “ปรับปรุงการรู้จำกิจกรรมแบบไม่เฉพาะบุคคลบนอุปกรณ์สมาร์ทโฟน” หรือ “ไอ ซาร์พลัส” ซึ่งมีประสิทธิภาพด้านเวลา และความถูกต้อง ในการรู้จำกิจกรรมจากกระแสตัวรับรู้แอค เซเลอโรมิเตอร์ของสมาร์ทโฟนในโครงการวิจัยนี้เป็นโครงการที่ได้รับทุนสนับสนุนต่อเนื่องเป็นปีที่ 2 ซึ่งจะทำการทดลองวิจัยโดยใช้อุปกรณ์ที่เป็นอุปกรณ์สวมใส่ที่ข้อมือ หรือนาฬิกาอัจฉริยะ ซึ่งกระแสของข้อมูลที่จะใช้ในการรู้จำกิจกรรมจะมีความซับซ้อนมากกว่าข้อมูลที่มาจากสมาร์ทโฟน รวมถึงการใช้ข้อมูลจากตัวรับรู้มากกว่า 1 ตัวเพื่อเพิ่มความถูกต้องในการทำนายกิจกรรมให้มากขึ้น ซึ่งจากการออกแบบวิธีการ ดำเนินงานผู้วิจัยได้นำเสนอวิธีการ ใหม่นี้ว่า “Smartwatch based Physical Activity Recognition” หรือเรียกว่า “S-PAR” และผลการทดลองเมื่อทำการเปรียบเทียบกับงานวิจัยอื่นโดย ใช้ข้อมูลจริงจากฐานข้อมูลสาธารณะ พบว่าวิธีการ S-PAR มีผลความถูกต้องดีกว่าวิธีการที่นำมา เปรียบเทียบ ซึ่งสามารถนำไปประยุกต์และพัฒนาต่อยอดเป็นแอปพลิเคชันต่อไปได้ | th_TH |
| dc.description.sponsorship | งานวิจัยนี้ได้รับทุนสนับสนุนจากงบประมาณเงินรายได้จากเงินอุดหนุนรัฐบาล (งบประมาณแผ่นดิน) ประจำปีงบประมาณ พ.ศ. 2561 | th_TH |
| dc.language.iso | th | th_TH |
| dc.publisher | คณะวิทยาการสารสนเทศ มหาวิทยาลัยบูรพา | th_TH |
| dc.subject | อุปกรณ์เคลื่อนที่ | th_TH |
| dc.subject | สมาร์ทโฟน | th_TH |
| dc.subject | สาขาเทคโนโลยีสารสนเทศและนิเทศศาสตร์ | th_TH |
| dc.title | การรู้จำกิจกรรมที่ปรับได้สำหรับการวิเคราะห์พฤติกรรมเสี่ยงจากกระแสข้อมูลเชิงเวลาบนอุปกรณ์เคลื่อนที่แบบพกพา | th_TH |
| dc.type | Research | th_TH |
| dc.author.email | jakkarin@buu.ac.th | th_TH |
| dc.author.email | ureerat@hotmail.com | th_TH |
| dc.author.email | hemmarat@go.buu.ac.th | th_TH |
| dc.author.email | stoonsiri@hotmail.com | th_TH |
| dc.author.email | lchidcha@chula.ac.th | th_TH |
| dc.year | 2562 | th_TH |
| dc.description.abstractalternative | Most of the research papers in activity recognition model with sensory data acquired from an accelerometer of smartphones and wearable devices, focused on building personal model. It is necessary to collect activities data of the user who utilizes the model for a definite time. Then, these labeled activities data are used to create the classifier model by classification methods. So, the classifier model is suitable for individual user. However, creating the personal model may be too interfere for the user, because the target user must gather and annotate the types of activities by performing all activities for a definite time and enough training data. Moreover, if the user does not complete all activities or do not complete the time. The activity recognition model can predict the wrong type of activities. From the previous project supported by Research Grant of Burapha University through National Research Council of Thailand in Grant no. 141/2560, we proposed an algorithm for creating a classifier model by using 2 algorithms including 1) “Impersonal smartphone-based activity recognition using the accelerometer sensory data” or “ISAR”, and 2) “An improvement impersonal smartphone-based activity recognition using the accelerometer sensory data” or “ISAR+”. These two proposed models can achieve in both the time performance and accuracies of activities recognition with sensory data acquired from an accelerometer of smartphones. This project has been supported for the second consecutive year which focused on building the activities recognition model from sensory data gathered from wrist-worn devices or smartwatches. The sensory data produced from smartwatches are more complex than the data from smartphones and have to use more than 1 sensors to improve the prediction accuracy. Therefore, this research proposed the new method named "Smartwatch based Physical Activity Recognition" or "S-PAR". From the results, S-PAR model provides the overall performance in detection and prediction activities type. Therefore, our proposed model can be used to utilize in application | en |
| ปรากฏในกลุ่มข้อมูล: | รายงานการวิจัย (Research Reports) | |
แฟ้มในรายการข้อมูลนี้:
| แฟ้ม | รายละเอียด | ขนาด | รูปแบบ | |
|---|---|---|---|---|
| 2564_041.pdf | 10.88 MB | Adobe PDF | ดู/เปิด |
รายการทั้งหมดในระบบคิดีได้รับการคุ้มครองลิขสิทธิ์ มีการสงวนสิทธิ์เว้นแต่ที่ระบุไว้เป็นอื่น