Ενα σημασιολογικά-ενήμερο σύστημα αναγνώρισης δραστηριότητας σε πραγματικό χρόνο

Σε αυτή την εργασία παρουσιάζεται ένα σύστημα που εκμεταλλεύεται τη σημασιολογία των οντολογιών, προκειμένου να βελτιώσει την ακρίβεια μεθόδων μηχανικής μάθησης. Σκοπός του συστήματος αυτού είναι να πραγματοποιεί αναγνώριση δραστηριότητας σε πραγματικό χρόνο, βοηθώντας τους χρήστες ενός περιβάλλοντος διάχυτης νοημοσύνης. Οι οντολογίες μπορούν να προσφέρουν αρκετά πλούσια σημασιολογία, που εξ όσων γνωρίζουμε, δεν έχει χρησιμοποιηθεί ακόμα σε κάποιο σύστημα που αναγνωρίζει σε πραγματικό χρόνο δραστηριότητες, κυρίως λόγω του μεγάλου χρονικού κόστους φόρτωσης/επερώτησης μίας οντολογίας. Για τη χρησιμοποίηση των πληροφοριών που προσφέρουν οι οντολογίες (όπως οι ιεραρχίες), εισάγουμε νέες μεθόδους καταγραφής τους σε «αποθήκες» δεδομένων (dataset) μηχανικής μάθησης. Παρουσιάζουμε επίσης τρόπους που κάνουν την αναγνώριση δραστηριότητας σε πραγματικό χρόνο εφικτή, κρατώντας το χρόνο εκτέλεσης και τις απαιτήσεις σε μνήμη χαμηλά. Χρησιμοποιείται και ένα τελικό στάδιο επεξεργασίας των προτεινόμενων δραστηριοτήτων, εξασφαλίζοντας ότι οι λανθασμένες προβλέψεις θα είναι όσο το δυνατόν λιγότερες. Τα αποτελέσματα των μετρήσεων που έγιναν με σκοπό την εκτίμηση της ακρίβειας και του απαιτούμενου χρόνου του συστήματός μας δίνονται αναλυτικά.This paper introduces a system that exploits the semantics of ontologies, to improve the accuracy of machine-learning methods. This system is intended to perform real-time activity recognition that could assist users in an Ambient Intelligent (AmI) environment. Ontologies can offer quite rich semantics that, to our knowledge, have not been utilized yet in a system that performs real-time activity recognition, mainly due to the time-cost of loading/querying ontologies. For the utilization of the information that ontologies offer (such as hierarchies), we introduce novel methods to record them in machine learning datasets. We also present ways that make real-time activity recognition viable, by keeping execution-time and memory requirements low. Post-processing of the suggested activities is also involved to make sure that the returned results will contain as few errors as possible. Results on the experiments that we held, in order to present the performance of our system, are also provided