As the number of smartphone users is increasing exponentially, there is an increase in the availability of continuous sensor data, which has attracted enormous interest in sensor-based human-activity recognition (HAR). Recognizing human activities is particularly important in detecting abnormal activities and tracking a person's physical activity, especially in healthcare applications, among many others. In this paper, HAR analysis is conducted with three different machine learning algorithms (Support Vector Machines (SVM), Decision tree, and random forest methods) based on smartphone sensors. Machine learning algorithms are capable of identifying and differentiating between different human activities using mobile phone sensor data. The smartphone sensors (gyroscope and accelerometer) data are recorded at the Koneru Lakshmaiah Education Foundation University campus, Guntur, India, with different human activities. In this research work, the data from smartphone mobile sensors were initially analysed with SVM, decision tree, and random forest algorithms. To evaluate the machine learning algorithm's accuracy, F1 score for different smartphone sensors for both individually and combined is estimated. The results indicate that the proposed machine learning methods can derive a relation between type of activity, algorithm, smartphone sensors data, and their corresponding accuracy. The outcome of this work would be beneficial for detecting abnormal features of older people with a smartphone device.

随着智能手机用户数量呈指数级增长，连续传感器数据的可用性也在增加，这引起了对基于传感器的人类活动识别 (HAR) 的极大兴趣。识别人类活动对于检测异常活动和跟踪一个人的身体活动尤其重要，尤其是在医疗保健应用中。在本文中，基于智能手机传感器使用三种不同的机器学习算法（支持向量机 (SVM)、决策树和随机森林方法）进行 HAR 分析。机器学习算法能够使用手机传感器数据识别和区分不同的人类活动。智能手机传感器（陀螺仪和加速度计）数据记录在印度 Guntur 的 Koneru Lakshmaiah 教育基金会大学校园内，随着不同的人类活动。在这项研究工作中，最初使用 SVM、决策树和随机森林算法分析来自智能手机移动传感器的数据。为了评估机器学习算法的准确性，估计了不同智能手机传感器单独和组合的 F1 分数。结果表明，所提出的机器学习方法可以推导出活动类型、算法、智能手机传感器数据及其相应精度之间的关系。这项工作的结果将有利于使用智能手机设备检测老年人的异常特征。在这项研究工作中，最初使用 SVM、决策树和随机森林算法分析来自智能手机移动传感器的数据。为了评估机器学习算法的准确性，估计了不同智能手机传感器单独和组合的 F1 分数。结果表明，所提出的机器学习方法可以推导出活动类型、算法、智能手机传感器数据及其相应精度之间的关系。这项工作的结果将有利于使用智能手机设备检测老年人的异常特征。在这项研究工作中，最初使用 SVM、决策树和随机森林算法分析了来自智能手机移动传感器的数据。为了评估机器学习算法的准确性，估计了不同智能手机传感器单独和组合的 F1 分数。结果表明，所提出的机器学习方法可以推导出活动类型、算法、智能手机传感器数据及其相应精度之间的关系。这项工作的结果将有利于使用智能手机设备检测老年人的异常特征。估计单独和组合的不同智能手机传感器的 F1 分数。结果表明，所提出的机器学习方法可以推导出活动类型、算法、智能手机传感器数据及其相应精度之间的关系。这项工作的结果将有利于使用智能手机设备检测老年人的异常特征。估计单独和组合的不同智能手机传感器的 F1 分数。结果表明，所提出的机器学习方法可以推导出活动类型、算法、智能手机传感器数据及其相应精度之间的关系。这项工作的结果将有利于使用智能手机设备检测老年人的异常特征。