بازشناسی فعالیت های ناهنجار با استفاده از داده های استخراجی از سنسورهای تلفن همراه مبتنی بر شبکه عصبی فازی و Artmap

امروزه با پیشرفت تکنولوژی علاقه به مدل سازی رفتار انسان و تفسیر فعالیت آن در بین پژوهشگران، بشدت افزایش یافته است، در این بین فرایندهایی چون تشخیص فعالیت های غیر طبیعی توجه زیادی به خود جلب نموده است. با توجه به این نکته که سنسورهای بکار رفته درتلفن های همراه هوشمند دارای قابلیت های گسترده ای برای سنجش فعالیت های فرد خواهند بود این ابزارها، قابلیت های متنوعی را در اختیار پژوهشگران قرار خواهند گذاشت. چالشی که در یک فرایند تشخیص ناهنجاری بسیار نمود پیدا خواهد کرد، تنوع بالای آن خواهد بود که کار را برای تشخیص نیز بسیار دشوار خواهد نمود. برای حل این چالش سیستم های فازی گزینه خوبی به شمار می روند. در این پژوهش از مدل نوروفازی در کنار شبکه artmap برای بدست آوردن و تفسیر دانش نهفته در داده ها توصیه می شود. این ساختار دارای مزایایی چون تعداد پارامترهای کمتر، یادگیری سریع تر و دقیق تر، عملکرد بهتر در مدلسازی، و قابلیت تعمیم دهی بهتر خواهد بود. در این مقاله با طبقه بند آرتمپ فازی و سیستم anfis و بهره بردن از قوانین اگر-آنگاه برای ایجاد یک مدل دانش فازی جهت فرایند تحلیل مسیر استفاده شده است به عبارت دیگر هدف این پژوهش تشخیص ناهنجاری های فعالیت فرد با استفاده از داده های استخراجی از سنسورهای تلفن همراه می باشد که با کمک روش مدلسازی نوین شبکه عصبی تطبیقی فازی انجام می شود. نتایج نشان داد که طبقه بند حاصل از تلفیق طبقه بند anfis و آرتمپ فازی در طبقه بندی رفتارهای ناهنجار و هنجار فرد با استفاده از آنالیز داده های بدست آمده از گوشی هوشمند با میانگین صحت 82.25% و حساسیت 86% و شاخص اختصاصیت 90% برای داده های آموزشی و میانگین صحت 64.82% و حساسیت 65% و شاخص اختصاصیت 76.31% برای داده های آزمایشی عملکرد بسیار خوبی از خود نشان داده است.