การพัฒนาแบบจำลองการเรียนรู้เชิงลึกน้ำหนักเบาเพื่อการรู้จำกิจกรรมของมนุษย์โดยอาศัยข้อมูลเซนเซอร์จากสมาร์ตโฟน
| dc.contributor.author | พรนิภา จันทวงค์ | |
| dc.date.accessioned | 2025-02-24T07:55:28Z | |
| dc.date.available | 2025-02-24T07:55:28Z | |
| dc.date.issued | 2023 | |
| dc.description | The objective of this research was two-fold: 1) to develop lightweight deep learning algorithms that facilitate efficient learning of human daily activities, and 2) to utilize the resulting algorithm model to contribute to the development of innovative solutions that support human care in various fields. The research focused on three main areas: data pre-processing methods, data generation methods, and model training methods for classifying human daily activities. To conduct the experiments, a publicly available dataset called SPARS9x was utilized. The research employed Colab Pro as a tool and utilized the Python language for development purposes. The dataset included six different models, namely VGG16, ResNet18, PyramidNet18, Inception-V3, Xception, and EfficientNet-B0. The experimental findings revealed that PyramidNet18 achieved the highest accuracy of 99.15% and an F1-score of 99.15% when tested on the SPARS9x dataset. Additionally, it was discovered that hybrid models deployed with convolutional neural networks not only provided outstanding results but also demonstrated computational efficiency | |
| dc.description.abstract | การศึกษาวิจัยครั้งนี้มีวัตถุประสงค์ 1) เพื่อพัฒนาอัลกอริทึมการเรียนรู้เชิงลึกน้ำหนักเบาในการเรียนรู้เชิงลึกสำหรับการเรียนรู้จำกิจกรรมในชีวิตประจำวันของมนุษย์ที่มีประสิทธิภาพ 2) เพื่อนำผลลัพธ์ที่ได้ไปพัฒนานวัตกรรมในการดูแลมนุษย์ในด้านต่าง ๆ โดยได้กำหนดขอบเขตของการวิจัย 3 ขั้นตอนดังนี้ การประมวลผลเบื้องต้น ขั้นตอนการเตรียมข้อมูล และขั้นตอนการเรียนรู้จำกิจกรรมในชีวิตประจำวันของมนุษย์ ในการทดลองวิจัยครั้งนี้ได้ใช้ชุดข้อมูล SPARS9x ซึ่งเป็นชุดข้อมูลสาธารณะ เครื่องมือที่ใช้ในการวิจัย ได้แก่ โคแลปโปร และใช้ภาษาไพธอนในการพัฒนา การทดลองกับแบบจำลอง 6 แบบจำลอง ได้แก่ VGG16, ResNet18, PyramidNet18, Inception-V3, Xception และ EffcientNet-B0 ผลการทดลองพบว่า PyramidNet18 มีความแม่นยำสูงสุดที่ 99.15% และ F1-score 99.15% และพบว่า แบบจำลองแบบไฮบริดที่พัฒนาร่วมกับโครงข่ายประสาทเทียมสามารถจำแนกและดึงคุณสมบัติพื้นฐานออกมาได้เป็นอย่างดี และยังแสดงให้เห็นถึงความสามารถในการคำนวณอีกด้วย | |
| dc.description.sponsorship | มหาวิทยาลัยพะเยา | |
| dc.identifier.citation | พรนิภา จันทวงค์. (2566). การพัฒนาแบบจำลองการเรียนรู้เชิงลึกน้ำหนักเบาเพื่อการรู้จำกิจกรรมของมนุษย์โดยอาศัยข้อมูลเซนเซอร์จากสมาร์ตโฟน. [วิทยานิพนธ์ปริญญามหาบัณฑิต, มหาวิทยาลัยพะเยา]. ฐานข้อมูลคลังปัญญาดิจิทัล มหาวิทยาลัยพะเยา (UP Digital Collections: UPDC). | |
| dc.identifier.uri | https://updc.up.ac.th/handle/123456789/1288 | |
| dc.language.iso | other | |
| dc.publisher | มหาวิทยาลัยพะเยา | |
| dc.subject | การรู้จำกิจกรรมของมนุษย์ | |
| dc.subject | การเรียนรู้เชิงลึก | |
| dc.subject | สัญญาณเซ็นเซอร์ที่สวมใส่ได้ | |
| dc.subject | โครงข่ายประสาทเทียม | |
| dc.subject | เซ็นเซอร์สมาร์ตโฟน | |
| dc.subject | human activity recognition | |
| dc.subject | deep learning | |
| dc.subject | wearable sensor signal | |
| dc.subject | convolutional neural network | |
| dc.subject | smartphone sensors | |
| dc.title | การพัฒนาแบบจำลองการเรียนรู้เชิงลึกน้ำหนักเบาเพื่อการรู้จำกิจกรรมของมนุษย์โดยอาศัยข้อมูลเซนเซอร์จากสมาร์ตโฟน | |
| dc.title.alternative | A Lightweight Deep Learning Model Efficient Human Activity Recognition Using Smartphone Sensors | |
| dc.type | Thesis |