The paper aims to develop a novel method for the classification of different physical activities of a human being, using fabric sensors. This method focuses mainly on classifying the physical activity between normal action and violent attack on a victim and verifies its validity.,The system is realized as a protective jacket that can be worn by the subject. Stretch sensors, pressure sensors and a 9 degree of freedom accelerometer are strategically woven on the jacket. The jacket has an internal bus system made of conductive fabric that connects the sensors to the Flora chip, which acts as the data acquisition unit for the data generated. Different activities such as still, standing up, walking, twist-jump-turn, dancing and violent action are performed. The jacket in this study is worn by a healthy subject. The main phases which describe the activity recognition method undertaken in this study are the placement of sensors, pre-processing of data and deploying machine learning models for classification.,The effectiveness of the method was validated in a controlled environment. Certain challenges are also faced in building the experimental setup for the collection of data from the hardware. The most tedious challenge is to collect the data without noise and error, created by voltage fluctuations when stretched. The results show that the support vector machine classifier can classify different activities and is able to differentiate normal action and violent attacks with an accuracy of 98.8%, which is superior to other methods and algorithms.,This study leads to an understanding of human physical movement under violent activity. The results show that data compared with normal physical motion, which includes even a form of dance is quite different from the data collected during violent physical motion. This jacket construction with woven sensors can capture every dimension of the physical motion adding features to the data on which the machine learning model will be built.,Unlike other studies, where sensors are placed on isolated parts of the body, in this study, the fabric sensors are woven into the fabric itself to collect the data and to achieve maximum accuracy instead of using isolated wearable sensors. This method, together with a fabric pressure and stretch sensors, can provide key data and accurate feedback information when the victim is being attacked or is in a normal state of action.

中文翻译：

---

使用来自可穿戴传感器的机器学习方法检测人类活动

本文旨在开发一种使用织物传感器对人类不同身体活动进行分类的新方法。该方法主要侧重于对受害者的正常动作和暴力攻击之间的身体活动进行分类并验证其有效性。该系统实现为主体可以穿戴的防护夹克。拉伸传感器、压力传感器和 9 自由度加速度计巧妙地编织在夹克上。夹克有一个由导电织物制成的内部总线系统，将传感器连接到 Flora 芯片，后者充当生成数据的数据采集单元。进行不同的活动，如静止、站立、行走、扭跳、跳舞和暴力动作。本研究中的夹克由健康受试者穿着。本研究中描述活动识别方法的主要阶段是传感器的放置、数据的预处理和部署用于分类的机器学习模型。在受控环境中验证了该方法的有效性。在构建用于从硬件收集数据的实验设置时也面临某些挑战。最繁琐的挑战是在没有噪声和错误的情况下收集数据，这些数据是由拉伸时电压波动造成的。结果表明，支持向量机分类器可以对不同的活动进行分类，能够以98.8%的准确率区分正常动作和暴力攻击，优于其他方法和算法。,这项研究导致对人体运动的理解在暴力活动下。结果表明，与正常身体运动相比，甚至包括舞蹈形式的数据与在剧烈身体运动期间收集的数据有很大不同。这种带有编织传感器的夹克结构可以捕捉物理运动的每个维度，为构建机器学习模型的数据添加特征。与其他研究不同，传感器放置在身体的孤立部位，在本研究中，织物传感器被编织到织物本身中以收集数据并实现最大精度，而不是使用孤立的可穿戴传感器。这种方法与织物压力和拉伸传感器一起，可以在受害者受到攻击或处于正常动作状态时提供关键数据和准确的反馈信息。其中甚至包括一种舞蹈形式，与剧烈身体运动期间收集的数据也大不相同。这种带有编织传感器的夹克结构可以捕捉物理运动的每个维度，为构建机器学习模型的数据添加特征。与其他研究不同，传感器放置在身体的孤立部位，在本研究中，织物传感器被编织到织物本身中以收集数据并实现最大精度，而不是使用孤立的可穿戴传感器。这种方法与织物压力和拉伸传感器一起，可以在受害者受到攻击或处于正常动作状态时提供关键数据和准确的反馈信息。其中甚至包括一种舞蹈形式，与剧烈身体运动期间收集的数据也大不相同。这种带有编织传感器的夹克结构可以捕捉物理运动的每个维度，为构建机器学习模型的数据添加特征。与其他研究不同，传感器放置在身体的孤立部位，在本研究中，织物传感器被编织到织物本身中以收集数据并实现最大精度，而不是使用孤立的可穿戴传感器。这种方法与织物压力和拉伸传感器一起，可以在受害者受到攻击或处于正常动作状态时提供关键数据和准确的反馈信息。这种带有编织传感器的夹克结构可以捕捉物理运动的每个维度，为构建机器学习模型的数据添加特征。与其他研究不同，传感器放置在身体的孤立部位，在本研究中，织物传感器被编织到织物本身中以收集数据并实现最大精度，而不是使用孤立的可穿戴传感器。这种方法与织物压力和拉伸传感器一起，可以在受害者受到攻击或处于正常动作状态时提供关键数据和准确的反馈信息。这种带有编织传感器的夹克结构可以捕捉物理运动的每个维度，为构建机器学习模型的数据添加特征。与其他研究不同，传感器放置在身体的孤立部位，在本研究中，织物传感器被编织到织物本身中以收集数据并实现最大精度，而不是使用孤立的可穿戴传感器。这种方法与织物压力和拉伸传感器一起，可以在受害者受到攻击或处于正常动作状态时提供关键数据和准确的反馈信息。织物传感器被编织到织物本身中以收集数据并实现最大精度，而不是使用孤立的可穿戴传感器。这种方法与织物压力和拉伸传感器一起，可以在受害者受到攻击或处于正常动作状态时提供关键数据和准确的反馈信息。织物传感器被编织到织物本身中以收集数据并实现最大精度，而不是使用孤立的可穿戴传感器。这种方法与织物压力和拉伸传感器一起，可以在受害者受到攻击或处于正常动作状态时提供关键数据和准确的反馈信息。