+7 495 185-09-77
   +7 499 135-41-63 (ВЦ РАН)

   info@forecsys.ru
      или посмотреть карту сайта
05 декабря 2018
Компания «Форексис» приняла участие в XIV МЕЖДУНАРОДНОМ ФИНАНСОВОМ ФОРУМЕ NFA-2018 /РЕПО-ФОРУМ/

 

07 ноября 2018
ВТБ Капитал Управление Инвестициями завершил процесс внедрения системы Check4Trick

 

26 октября 2018
24 октября в Екатеринбурге состоялась ежегодная Уральская конференция НАУФОР «Российский фондовый рынок – 2018»

 

18 октября 2018
Компания «Форексис» проводит внедрение системы Check4Trick в ПАО «АК БАРС» БАНК

 

15 октября 2018
с 8 по 13 октября 2018 года прошла 12-я Международная конференция «Интеллектуализация обработки информации» IDP-2018

 

08 октября 2018
Пополнение команды «Форексис» молодыми и талантливыми специалистами с ведущих вузов России

 

25 сентября 2018
Компания «Форексис» заключила договор с ООО «РЕГИОН Инвестиции».

 

16 августа 2018
Внесены поправки в 224-ФЗ «О противодействии неправомерному использованию инсайдерской информации и манипулированию рынком и о внесении изменений в отдельные законодательные акты Российской Федерации»

 

12 августа 2018
Создана Рабочая группа НАУФОР по вопросам регулирования злоупотреблений на рынке ценных бумаг

 

02 августа 2018
Компания «Форексис» заключила соглашение о сотрудничестве с международной аудиторско-консалтинговой компанией КПМГ

 

Новости

Завершилась совместная работа компании «Форексис» и специалистов из Высшей школы информатики и прикладной математики Политехнического института г. Гренобля (Франция).

Целью проекта являлась разработка распознавания модели двигательной активности рабочего чего на стройке в ходе производственной деятельности (установки каркаса). Двигательная активность рабочего представляется набором элементарных действий: сверление, забивание дюбеля, хождение и др.

Анализируемые данные представляют собой временные ряды, полученные с закрепленных на руках и ногах рабочих акселерометров с частотой 50 Гц на протяжении двух часов. Элементарным действием на временном ряде акселерометра является квазипериодический сегмент, состоящий из коротких повторяющихся действий. Например, забивание дюбеля состоит из однотипных действий движения рукой, хождение – из однотипных шагов. Основной задачей являлось выделение из временного ряда подобных квазипериодических сегментов.

Для решения этой задачи был предложен подход на основе анализа базового шаблона действия, состоящий из следующих этапов. 1. Сегментация временного ряда на элементарные действия (шаги рабочего, движение рукой и пр.). 2. Расчет среднего шаблона действия с использованием метрики выравнивания временных рядов. 3. На основе среднего шаблона были рассчитаны признаки для классификации – параметры модели нелинейной регрессии сводимости участка временного ряда к среднему шаблону. Параметры имеют физический смысл похожести текущего действия на шаблон, амплитуды движения, продолжительности движения.

Для создания модели распознавания действий использовались алгоритмы деревьев принятия решений и случайного леса. В качестве признаков модели были использованы параметры сводимости к среднему шаблону, базовые статистики (среднее, дисперсия, распределение значений сегмента), а также параметры различных моделей прогнозирования: модели авторегрессии и дискретного преобразования Фурье. Были применены методы сокращения данных и рекурсивного удаления атрибутов.

Предложенный подход позволил достичь высокого качества распознавания процесса хождения, в котором действие хождения представлено набором повторяющихся однотипных действия – шагов. Было достигнуто качество распознавания в 80% точности. Помимо распознавания шагов благодаря итоговой модели стало возможным значительно повысить качество распознавания следующих движений: подъем по ступенькам, прыжки, бег, а также неподвижного состояния (стоя, сидя и лежа).

Дата публикации: 23.08.2017

вернуться к другим новостям