IAESCOREIAESCORE

International Journal of Advances in Applied SciencesInternational Journal of Advances in Applied Sciences

Di dunia saat ini, sistem perawatan kesehatan dibangun dengan pengenalan aktivitas manusia (HAR) untuk membantu aktivitas lansia, penyandang disabilitas, dan anak-anak dengan terus-menerus mengamati perilaku mereka. Namun, HAR yang menggunakan visi komputer dan teknik pembelajaran mesin tradisional bukanlah penggunaan sumber daya sistem perawatan kesehatan yang efisien karena potensi dan masalah akurasi. Studi ini bertujuan untuk menguji penggunaan teknik pembelajaran mendalam dalam HAR waktu nyata. Proposal ini adalah metode hibrida yang memanfaatkan arsitektur EfficientNetB0 dan ekstensi konvolusional dari jaringan memori jangka pendek panjang (EfficientNetB0ConvLSTM), untuk mencapai kecerdasan mirip manusia. EfficientNetB0 digunakan untuk mengekstrak fitur gambar, dan memori jangka pendek panjang konvolusional (ConvLSTM) digunakan untuk mengkategorikan enam tindakan manusia untuk mengenali aktivitas manusia. Pendekatan ini memanfaatkan kekuatan jaringan saraf konvolusional (CNN) dalam mengekstrak fitur spasial dari bingkai video dan LSTM dalam menangkap ketergantungan temporal dalam urutan aktivitas. Pertama, investigasi ekstensif dilakukan pada studi literatur yang ada untuk memilih kumpulan data yang sesuai. Selanjutnya, metode yang diusulkan dievaluasi pada kumpulan data video HMDB51 yang menantang dan akhirnya mencapai akurasi 89,22%, yang secara signifikan lebih tinggi daripada metode lain pada kumpulan data ini. Hasil ini menunjukkan potensi EfficientNetB0ConvLSTM untuk aplikasi HAR waktu nyata seperti perawatan kesehatan.

Studi ini mengusulkan kerangka kerja hibrida EfficientNetB0-ConvLSTM untuk pengenalan aktivitas manusia (HAR), berhasil mengurangi kompleksitas komputasi sambil meningkatkan kinerja secara keseluruhan dengan akurasi 89,22% pada enam kelas medis yang relevan dari kumpulan data HMDB51.Pendekatan ini memungkinkan pengenalan aktivitas menggunakan kamera CCTV atau webcam standar, menjadikannya praktis untuk aplikasi perawatan kesehatan dan keamanan, dengan demonstrasi adaptabilitas yang kuat dalam eksperimen waktu nyata.Meskipun sistem ini menunjukkan kinerja yang solid dan dapat diandalkan, identifikasi keterbatasan seperti sensitivitas terhadap posisi subjek, kondisi lingkungan, dan tantangan penglihatan malam membuka peluang untuk optimasi dan pengembangan lebih lanjut menuju sistem HAR yang lebih terjangkau dan efisien di masa depan.

Melihat potensi besar sistem pengenalan aktivitas manusia (HAR) berbasis pembelajaran mendalam ini, beberapa arah penelitian lanjutan dapat dieksplorasi untuk meningkatkan kemampuannya secara signifikan dalam konteks perawatan kesehatan. Pertama, bagaimana sistem ini dapat diadaptasi untuk mempertahankan akurasi tinggi dalam kondisi pencahayaan ekstrem (sangat gelap atau terang, penglihatan malam) dan rentang jarak subjek yang jauh lebih luas dari kamera (terlalu dekat atau terlalu jauh)? Ini mungkin melibatkan integrasi sensor tambahan atau teknik pra-pemrosesan citra adaptif. Kedua, penelitian lanjutan perlu menyelidiki bagaimana model EfficientNetB0ConvLSTM dapat diperluas secara efisien untuk mengenali spektrum aktivitas medis yang jauh lebih luas, termasuk kegiatan kompleks, dengan keterbatasan data minimal untuk setiap kelas baru. Hal ini dapat dicapai melalui teknik pembelajaran transfer atau pembelajaran beberapa-shot. Ketiga, untuk memungkinkan penerapan pada perangkat komputasi tepi (edge devices) dengan sumber daya terbatas, studi harus berfokus pada pengoptimalan model seperti kuantisasi atau pemangkasan, tanpa mengorbankan akurasi secara signifikan. Pendekatan ini akan menjadikan sistem HAR lebih praktis dan terjangkau untuk pemantauan kesehatan waktu nyata.

Read online
File size1.44 MB
Pages14
DMCAReport

Related /

ads-block-test