Activity Recognition Using Supervised Machine Learning and GPS Sensors

Human Activity Recognition has become a popular research topic among data scientists. Over the years, multiple studies regarding humans and their daily motion habits have been investigated for many different purposes. This fact is not surprising when we look at all the opportunities and applications that can be applied and utilized thanks to the results of these algorithms. In this project we implement a system that can effectively collect sensor data from mobile devices, process it and by using supervised machine learning successfully predict the class of a performed activity. The project was executed based on datasets and features extracted from GPS sensors. The system was trained using various machine learning algorithms and Python SciKit to guarantee optimal solutions with accurate predictions. Finally, we applied a majority vote rule to secure the best possible accuracy of the activity classification process. As a result we were able to identify various activities including walking, cycling, driving and public transportation methods bus and metro with 90+% accuracy. Att utföra aktivitetsigenkänning på människor har blivit ett populärt forskningsämne bland datavetare, där flertalet studier rörande människor och deras dagliga rörelsevanor undersökts för många olika syften. Detta är inte förvånande när man ser till de möjligheter och användningsområden som kan tillämpas och utnyttjas tack vare resultaten från dessa system. Detta projekt går ut på att implementera ett system som mha samlad sensordata från mobila enheter, kan bearbeta den och genom s.k övervakad maskininlärning med goda resultat bestämma den aktivitet som utförts. Projektet genomfördes baserat på dataset och egenskaper extraherade från GPS-data. Systemet tränades med olika maskininlärningsalgoritmer genom Python SciKit för att välja den bäst lämpade metoden för detta projekt. Slutligen tillämpade vi majority votemetoden för att säkerställa bästa möjliga noggrannhet i aktivitetsklassificeringsprocessen. Resultatet blev ett system som framgångsrikt kan identifiera aktiviteterna gå, cykla, köra bil samt med ett ytterligare fokus på kollektivtrafikmetoderna buss och tunnelbana, med en noggrannhet på över 90%.Kandidatexjobb i elektroteknik 2020, KTH, Stockhol