CCL

Összesen 21 találat.
#/oldal:
Részletezés:
Rendezés:

1.

001-es BibID:BIBFORM062839
035-os BibID:(WoS)000371081800014 (Scopus)84958720153
Első szerző:Oniga István László (villamosmérnök)
Cím:Activity recognition in adaptive assistive systems using artificial neural networks / Stefan Oniga, Jozsef Suto
Dátum:2016
ISSN:1392-1215 2029-5731
Tárgyszavak:Műszaki tudományok Informatikai tudományok idegen nyelvű folyóiratközlemény külföldi lapban
folyóiratcikk
Megjelenés:Elektronika ir Elektrotechnika. - 22 : 1 (2016), p. 68-72. -
További szerzők:Sütő József (1990-) (programtervező informatikus)
Internet cím:DOI
Szerző által megadott URL
Intézményi repozitóriumban (DEA) tárolt változat
Borító:

2.

001-es BibID:BIBFORM061763
Első szerző:Oniga István László (villamosmérnök)
Cím:Optimal recognition method of human activities using artificial neural networks / Stefan Oniga, Sütő József
Dátum:2015
ISSN:1335-8871
Megjegyzések:The aim of this research is an exhaustive analysis of the various factors that may influence the recognition rate of the humanactivity using wearable sensors data. We made a total of 1674 simulations on a publically released human activity database by agroup of researcher from the University of California at Berkeley. In a previous research, we analyzed the influence of the number of sensors and their placement. In the present research we have examined the influence of the number of sensor nodes, the type of sensor node, preprocessing algorithms, type of classifier and its parameters. The final purpose is to find the optimal setup for best recognition rates with lowest hardware and software costs.
Tárgyszavak:Műszaki tudományok Informatikai tudományok idegen nyelvű folyóiratközlemény külföldi lapban
Wearable sensor network
Artificial neural networks
Human activity recognition
Pattern recognition
Megjelenés:Measurement Science Review 15 : 6 (2015), p. 323-327. -
További szerzők:Sütő József (1990-) (programtervező informatikus)
Internet cím:Szerző által megadott URL
DOI
Intézményi repozitóriumban (DEA) tárolt változat
Borító:

3.

001-es BibID:BIBFORM053990
Első szerző:Oniga István László (villamosmérnök)
Cím:Human activity recognition using neural networks / Stefan Oniga, József Sütő
Dátum:2014
ISSN:978-1-4799-3527-7
Megjegyzések:This paper presents research made for independent daily life assistance of elderly or persons with disabilities using IoT technologies. Our scope is to develop a system that allows living for as long as possible in familiar environment. This will be possible by wider spread of assistive technologies and the internet of things (IoT). We aim to bring together latest achievements in domain of Internet of things and assistive technologies in order to develop a complex assistive system with adaptive capability and learning behavior. We can use IoT technologies to monitor in real time the state of a patient or to get sensitive data in order to be subsequently analyzed for a medical diagnosis. We present the state of our work related to the development of an assistive assembly consisting of a smart and assistive environment, a human activity and health monitoring system, an assistive and telepresence robot, together with the related components and cloud services.
ISBN:978-1-4799-3528-4
Tárgyszavak:Műszaki tudományok Informatikai tudományok tanulmány, értekezés
Assistive technologies
e-Health
Activity recognition
Artificial Neural Networks
Assistive and telepresence robots
Tárgyak Internete (IoT)
Megjelenés:Proceedings of the 2014 15th International Carpathian Control Conference (ICCC) / ed. Ivo Petrás, Igor Podlubny, Ján Kacur, Radim Farana. - p. 403-406. -
További szerzők:Sütő József (1990-) (programtervező informatikus)
Pályázati támogatás:TÁMOP-4.2.2.C-11/1/KONV-2012-0001
TÁMOP
Intelligens otthon és időskori életvitel segítése infokommunikációs eszközökkel
Internet cím:Szerző által megadott URL
DOI
Intézményi repozitóriumban (DEA) tárolt változat
Borító:

4.

001-es BibID:BIBFORM076372
035-os BibID:(WoS)000455740800003 (Scopus)85057815675
Első szerző:Sütő József (programtervező informatikus)
Cím:Efficiency investigation from shallow to deep neural network techniques in human activity recognition / Jozsef Suto, Stefan Oniga
Dátum:2019
ISSN:1389-0417
Megjegyzések:In the last years, several researchers measured different recognition rates with different artificial neural network (ANN) techniques on public data sets in the human activity recognition (HAR) problem. However an overall investigation does not exist in the literature and the efficiency of complex and deeper ANNs over shallow networks is not clear. The purpose of this paper is to investigate the recognition rate and time requirement of different kinds of ANN approaches in HAR. This work examines the performance of shallow ANN architectures with different hyper-parameters, ANN ensembles, binary ANN classifier groups, and convolutional neural networks on two public databases. Although the popularity of binary classifiers, classifier ensembles and deep learning have been significantly increasing, this study shows that shallow ANNs with appropriate hyper-parameters in combination with extracted features can reach similar or higher recognition rate in less time than other artificial neural network methods in HAR. With a well-tuned ANN we outperformed all previous results on two public databases. Consequently, instead of the more complex ANN techniques, the usage of simple ANN with two or three layers can be an appropriate choice for activity recognition.
Tárgyszavak:Műszaki tudományok Informatikai tudományok idegen nyelvű folyóiratközlemény külföldi lapban
folyóiratcikk
Artificial neural networks
Binary classifiers
Convolutional networks
Ensembles
Feature extraction
Human activity recognition
Megjelenés:Cognitive Systems Research. - 54 (2019), p. 37-49. -
További szerzők:Oniga István László (1960-) (villamosmérnök)
Pályázati támogatás:EFOP-3.6.3-VEKOP-16-2017-00002
EFOP
Internet cím:Szerző által megadott URL
DOI
Intézményi repozitóriumban (DEA) tárolt változat
Borító:

5.

001-es BibID:BIBFORM075341
Első szerző:Sütő József (programtervező informatikus)
Cím:Music stimuli recognition from electroencephalogram signal with machine learning / Jozsef Suto, Stefan Oniga, Petrica Pop Sitar
Dátum:2018
Megjegyzések:When humans are listening to music they perceive beats, rhythms and melodies. This is the basis of music stimuli recognition where the goal is to explore how music influences our brain activity. In previous studies the emotional state determination was based on users' feedback. However this method is unreliable in most cases because an emotion state is not exact and it is changing relatively slowly. In this paper we tried to recognize music-induced electroencephalogram patterns from the well-known Neurosky Mindwave Mobile device's signal with feed forward artificial neural network. The paper describes our self-developed EEG measurement framework and the efficiency of the neural network with different kinds of feature extraction strategies.
ISBN:978-1-5386-1934-6
Tárgyszavak:Műszaki tudományok Informatikai tudományok előadáskivonat
EEG signal
digital signal processing
feature extraction
machine learning
music stimuli
Megjelenés:2018 7th International Conference on Computers Communications and Control (ICCCC) : proceedings. - p. 260-264. -
További szerzők:Oniga István László (1960-) (villamosmérnök) Pop Sitar, Petrica (1972-) (matematikus)
Pályázati támogatás:ÚNKP-17-3-IV
Egyéb
Internet cím:Intézményi repozitóriumban (DEA) tárolt változat
DOI
Szerző által megadott URL
Borító:

6.

001-es BibID:BIBFORM075340
035-os BibID:(WoS)000442492700012 (Scopus)85053857069
Első szerző:Sütő József (programtervező informatikus)
Cím:Music stimuli recognition in electroencephalogram signal / Jozsef Suto, Stefan Oniga
Dátum:2018
ISSN:1392-1215
Megjegyzések:When humans are listening to music they perceive beats, rhythms and melodies. Music stimuli induce motor system activities and it has a powerful emotion trigger effect. Since music is a potential stimulus in electroencephalogram based emotion research we supposed that different kinds of songs are recognizable from electroencephalogram signal. In this study we try to recognize music-induced electroencephalogram responses with the popular Neurosky Mindwave device. This paper describes the test conditions and the efficiency of an artificial neural network in combination with different data pre-processing techniques. The final outcomes show the negative effect of frequency decomposition and that the meditation level has more significant effect on the recognition than a particular song.
Tárgyszavak:Műszaki tudományok Informatikai tudományok idegen nyelvű folyóiratközlemény külföldi lapban
folyóiratcikk
Artificial neural networks
Brain-computer interfaces
Digital filtering
Electroencephalography
Megjelenés:Elektronika Ir Elektrotechnika. - 24 : 4 (2018), p. 68-71. -
További szerzők:Oniga István László (1960-) (villamosmérnök)
Pályázati támogatás:ÚNKP-17-3-IV
Egyéb
Internet cím:Szerző által megadott URL
DOI
Intézményi repozitóriumban (DEA) tárolt változat
Borító:

7.

001-es BibID:BIBFORM073043
035-os BibID:(WoS)000575576900001 (Scopus)85046037896
Első szerző:Sütő József (programtervező informatikus)
Cím:Comparison of offline and real-time human activity recognition results using machine learning techniques / Jozsef Suto, Stefan Oniga, Claudiu Lung, Ioan Orha
Dátum:2020
ISSN:0941-0643 1433-3058
Tárgyszavak:Műszaki tudományok Informatikai tudományok idegen nyelvű folyóiratközlemény külföldi lapban
folyóiratcikk
Megjelenés:Neural Computing & Applications. - 32 : 20 (2020), p. 15673-15686. -
További szerzők:Oniga István László (1960-) (villamosmérnök) Lung, Claudiu (1977-) (villamosmérnök) Orha, Ioan
Pályázati támogatás:ÚNKP-17-3-IV
Egyéb
Internet cím:Szerző által megadott URL
DOI
Intézményi repozitóriumban (DEA) tárolt változat
Borító:

8.

001-es BibID:BIBFORM070756
Első szerző:Sütő József (programtervező informatikus)
Cím:Recognition rate difference between real-time and offline human activity recognition / Jozsef Suto, Stefan Oniga, Claudiu Lung, Ioan Orha
Dátum:2017
Megjegyzések:Nowadays the trend toward sedentary lifestyle is one of the main causes of some dangerous health problems such as obesity, back pain and cardiovascular diseases [1]. Monitoring and recognizing daily activities of a people can help in the evaluation and prediction of his/her health status. Moreover, the rapidly growing rate of elderly population greatly influences the development of heath care services. Based on these new challenges, several approaches have been proposed by researchers for the recognition of human activities in different application areas such as health care, smart homes, and ambient-assisted living [2]. In the past few decades, researchers tried different information acquisition approaches for human activity recognition (HAR) including computer vision and wearable sensor based techniques. After the appearance of the Internet of Things topic, the usage of wearable sensors for different kinds of purposes has spread rapidly [3]. Due to the limitations and disadvantages of vision-based techniques (privacy issue, lighting conditions, special environment, etc.), acceleration-based wearable sensors have received higher attention. In addition, their advantages (small size, low cost, long term continuous data acquisition) further increased their popularity. It motivated companies and research groups to develop own data acquisition devices with different types of sensors and controllers for HAR purposes [4], [5]. Today's smartphones are well equipped with memory, fast processor(s), built in sensors and powerful battery thus they provide new opportunities in HAR research. Smartphones can be used as a complex HAR system without any additional hardware requirements. They have many advantages unlike special purpose data collector devices. For example, smartphones provide high level programming environment with different visualization, communication and data storage possibilities. Already several researchers used phones for HAR [6]. Most of them utilized the phone as data acquisition device and the evaluation happened offline by mathematical or data mining tools such as Matlab or Weka [7], [8].
ISBN:978-1-5386-2064-9
Tárgyszavak:Műszaki tudományok Informatikai tudományok tanulmány, értekezés
Human activity recognition
Feature extraction
Machine learning
Wearable sensors
Megjelenés:Internet of Things for the Global Community : Proceedings : July 10-12, 2017, Madeira-Portugal / Fernando Morgado-Dias. - p. 13-18. -
További szerzők:Oniga István László (1960-) (villamosmérnök) Lung, Claudiu (1977-) (villamosmérnök) Orha, Ioan
Pályázati támogatás:ÚNKP-16-3
Egyéb
Internet cím:Szerző által megadott URL
DOI
Intézményi repozitóriumban (DEA) tárolt változat
Borító:

9.

001-es BibID:BIBFORM069491
035-os BibID:(WoS)000440310900012 (Scopus)85049563675
Első szerző:Sütő József (programtervező informatikus)
Cím:Efficiency investigation of artificial neural networks in human activity recognition / Jozsef Suto, Stefan Oniga
Dátum:2018
ISSN:1868-5137 1868-5145
Tárgyszavak:Műszaki tudományok Informatikai tudományok idegen nyelvű folyóiratközlemény külföldi lapban
folyóiratcikk
Megjelenés:Journal of Ambient Intelligence and Humanized Computing. - 9 : 4 (2018), p. 1049-1060. -
További szerzők:Oniga István László (1960-) (villamosmérnök)
Internet cím:Szerző által megadott URL
DOI
Intézményi repozitóriumban (DEA) tárolt változat
Borító:

10.

001-es BibID:BIBFORM067291
035-os BibID:(WoS)000390587600009 (Scopus)85010507895
Első szerző:Sütő József (programtervező informatikus)
Cím:Feature analysis to human activity recognition / J. Suto, S. Oniga, P. Pop-Sitar
Dátum:2017
ISSN:1841-9836 1841-9844
Megjegyzések:Human activity recognition (HAR) is one of those research areas whose importance and popularity have notably increased in recent years. HAR can be seen as a general machine learning problem which requires feature extraction and feature selection. In previous articles different features were extracted from time, frequency and wavelet domains for HAR but it is not clear that, how to determine the best feature combination which maximizes the performance of a machine learning algorithm. The aim of this paper is to present the most relevant feature extraction methods in HAR and to compare them with widely-used filter and wrapper feature selection algorithms. This work is an extended version of [1]a where we tested the efficiency of filter and wrapper feature selection algorithms in combination with artificial neural networks. In this paper the efficiency of selected features has been investigated on more machine learning algorithms (feed-forward artificial neural network, k-nearest neighbor and decision tree) where an independent database was the data source. The result demonstrates that machine learning in combination with feature selection can overcome other classification approaches.
Tárgyszavak:Műszaki tudományok Informatikai tudományok idegen nyelvű folyóiratközlemény külföldi lapban
folyóiratcikk
human activity recognition
feature extraction
feature selection
machine learning
Megjelenés:International Journal of Computers, Communications and Control. - 12 : 1 (2017), p. 116-130. -
További szerzők:Oniga István László (1960-) (villamosmérnök) Pop-Sitar, Petrica
Internet cím:Szerző által megadott URL
Intézményi repozitóriumban (DEA) tárolt változat
Borító:

11.

001-es BibID:BIBFORM065854
035-os BibID:(IEEE)7496749 (Scopus)84979986117
Első szerző:Sütő József (programtervező informatikus)
Cím:Comparison of wrapper and filter feature selection algorithms on human activity recognition / Jozsef Suto, Stefan Oniga, Petrica Pop Sitar
Dátum:2016
Megjegyzések:Feature selection is an increasingly important part ofmachine learning. The purpose of feature selection is dimensionreduction in a large multi-dimensional data set and it can be thekey step of successful knowledge discovery in those problemswhere the number of features is large. This research area hashuge practical significance because it accelerates decisions andimproves performance. The requirements of specific applicationsin different kinds of research areas have led to the developmentof new feature selection techniques with different properties. Inthe last few decades, several feature selection algorithms havebeen proposed with their particular advantages anddisadvantages. Despite of the intensive research and the largeamount of works, the different kinds of feature selectionalgorithms have not been tested yet in the human activityrecognition problem. It was the main motivation of our work andthis paper tries to fill this gap. Therefore, in this article wepresent a conceptually simple naïve Bayesian wrapper featureselection method and compare it with some widely used filterfeature selection algorithms. The result of this workdemonstrates that, the wrapper technique outperforms filteralgorithms in this type of problem. In addition, this paper showsan example, when the classifier dependency of a wrapper methoddo not visible
ISBN:978-1-5090-1735-5
Tárgyszavak:Műszaki tudományok Informatikai tudományok tanulmány, értekezés
artificial neural network
feature selection
human activity recognition
machine learning
Megjelenés:2016 6th International Conference on Computers Communications & Control (ICCCC) : This edition of conference is dedicated to the 110th anniversary of Grigore C. Moisil (1906-1973) Romanian Mathematician, Computer Pioneer Award of IEEE Computer Society (1996 - posthumously) / eds. I. Dzitac, F.G. Filip, M.J. Manolescu. - p. 124-129. -
További szerzők:Oniga István László (1960-) (villamosmérnök) Pop Sitar, Petrica (1972-) (matematikus)
Internet cím:Szerző által megadott URL
DOI
Intézményi repozitóriumban (DEA) tárolt változat
Borító:

12.

001-es BibID:BIBFORM060145
Első szerző:Sütő József (programtervező informatikus)
Cím:Real time human activity monitoring / József Sütő, Stefan Oniga, Attila Buchman
Dátum:2015
ISSN:1787-5021 1787-6117
Megjegyzések:Human activity monitoring is one of those research areas whose importance and popularity have notably increased in recent years. The popularityof this topic increased in the previous years. Most of the used movement analysis techniques in the area are based on the measurement of the acceleration change of different parts of the body. This is done by attaching one or more little devices with an accelerometer to the body of the observed patient.Usually, the role of the body-attached devices are only data acquisition, the processing of the acquired data happens offline. This article presents a new solution for this task which combines digital time-frequency signal processing with a parallel programming approach.
Tárgyszavak:Műszaki tudományok Informatikai tudományok idegen nyelvű folyóiratközlemény hazai lapban
Movement analysis
Raspberry Pi
Accelerometer
Signal processing
Parallel programming
Tárgyak Internete (IoT)
Megjelenés:Annales Mathematicae et Informaticae 44 (2015), p. 187-196. -
További szerzők:Oniga István László (1960-) (villamosmérnök) Buchman Attila (1957-) (villamosmérnök)
Pályázati támogatás:TÁMOP-4.2.2.C-11/1/KONV-2012-0001
TÁMOP
Intelligens otthon és időskori életvitel segítése infokommunikációs eszközökkel
Internet cím:Szerző által megadott URL
Intézményi repozitóriumban (DEA) tárolt változat
Borító:
Rekordok letöltése1 2 
Corvina könyvtári katalógus v8.2.27 © 2023 Monguz kft. Minden jog fenntartva.