Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Movement trajectory classification using supervised machine learning
KTH, School of Electrical Engineering and Computer Science (EECS).
2019 (English)Independent thesis Advanced level (degree of Master (Two Years)), 20 credits / 30 HE creditsStudent thesisAlternative title
Klassificering av rörelsebana med övervakad maskininlärning (Swedish)
Abstract [en]

Anything that moves can be tracked, and hence its trajectory analysed. The trajectory of a moving object can carry a lot of useful information depending on what is sought. In this work, the aim is to exploit machine learning to be able to classify finite trajectories based on their shape. In a clinical environment, a set of trajectory classes have been defined based on relevance to particular pathologies. Furthermore, several trajectories have been collected using a depth sensor from a number of subjects. The problem to address is to evaluate whether it is possible to classify these trajectories into predefined classes.

A trajectory consists of a sequentially ordered list of coordinates, which would imply temporal processing. However, following the success of machine learning to classify images, the idea of a visual approach surfaced. On this basis, the plots of the trajectories are transformed into images, making the problem become similar to a written character recognition problem. The implemented methods for this classification tasks are the well-known Support Vector Machine (SVM) and the Convolutional Neural Network (CNN), the most appreciated deep approach to image recognition. We find that the best possible way to of achieving substantial performances on this classification task is to use a mixture of the two aforementioned methods, namely a two-step classification made of a binary SVM, responsible for a first distinction, followed by a CNN for the final decision. We illustrate that this tree-based approach is capable of granting the best classification accuracy score under the imposed restrictions.

In conclusion, a look into possible future developments based on the exploration of novel deep learning methods will be given. This project has been developed during an internship at the company ‘Qinematic’.

Abstract [sv]

Allt som rör sig kan detekteras och därmed kan dess bana analyseras. Banan för ett rörligt objekt kan bära en hel del användbar information beroende på vad som eftersöks. I detta arbete är syftet att utnyttja maskininlärning för att kunna klassificera ändliga banor baserat på deras form. I en klinisk miljö har en uppsättning banklasser definierats baserat på dess relevans för vissa sjukdomar. Vidare har flera banor samlats in med hjälp av en djupledssensor från ett antal personer. Projektets syfte är att utvärdera om det är möjligt att klassificera dessa banor i de fördefinierade klasserna.

En bana består av en sekventiellt ordnad lista av koordinater, vilket skulle antyda temporal behandling. Men utifrån framgången av maskininlärning för att klassificera bilder fick vi idén om en bildbaserad analys. På grundval av detta har banor omvandlas till bilder, vilket gör att problemet nu liknar igenkänningsproblemet av handskrivna siffror. De genomförda metoderna för klassificeringsuppgiften är den välkända Support Vector Machine (SVM), implementerad i några olika konfigurationer samt Convolutional Neural Network (CNN), den mest uppskattade metoden för bildigenkänning inom Deep Learning. Vi finner att bästa möjliga sätt för att uppnå betydande prestationer på klassificeringsuppgiften är att använda en blandning av de två tidigare nämnda metoderna, nämligen en tvåstegsklassificering gjord av en binär SVM, ansvarig för en första distinktion, följt av en CNN för det slutliga beslutet. Vi visar att detta trädbaserade tillvägagångssätt kan ge den bästa klassnoggrannheten under ålagda restriktioner.

Avslutningsvis ges en hypotes för framtida förbättringar av nya djupa inlärningsmetoder

Place, publisher, year, edition, pages
2019. , p. 30
Series
TRITA-EECS-EX ; 2019:669
National Category
Computer and Information Sciences
Identifiers
URN: urn:nbn:se:kth:diva-265009OAI: oai:DiVA.org:kth-265009DiVA, id: diva2:1376904
Supervisors
Examiners
Available from: 2020-01-29 Created: 2019-12-10 Last updated: 2020-01-29Bibliographically approved

Open Access in DiVA

fulltext(2056 kB)40 downloads
File information
File name FULLTEXT01.pdfFile size 2056 kBChecksum SHA-512
4fd68c7e829919777f0fca7bd23b9aced10808f0d17438c9031d2aafac466bbe3cdd4083793e044aa4b483606cfdebf520d682ebf9c81b3bd8f596994d4b3165
Type fulltextMimetype application/pdf

By organisation
School of Electrical Engineering and Computer Science (EECS)
Computer and Information Sciences

Search outside of DiVA

GoogleGoogle Scholar
Total: 40 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

urn-nbn

Altmetric score

urn-nbn
Total: 60 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf