| Student: | Jorn Schampheleer |
|---|
| Richting: | Master of Science in de industriële wetenschappen: informatica |
|---|
| Abstract: | Automatisch classificeren van bewegingen van paarden kan belangrijke inzichten geven in de intensiteit van de training. Sensoren bevestigen op het paard vormt echter een mogelijk risico voor het dier. Daarom wordt in deze studie een oplossing voorgesteld om de bewegingen van het paard te detecteren met behulp van sensoren gedragen door de ruiter. Op basis van data verzameld door accelerometers wordt gezocht naar het beste model voor de classificatie, de optimale bemonsteringsfrequentie, de ideale intervalbreedte en de optimale sensorlocatie. In totaal werden acht modellen vergeleken, waarbij een LSTM-convolutioneel netwerk (ConvLSTM2D) de hoogste accuraatheid behaalde, met een gemiddelde nauwkeurigheid van 81,02\%. Het model presteerde het best met een intervalbreedte van vier seconden en een bemonsteringsfrequentie van 25 Hz. Wanneer de nauwkeurigheid werd berekend voor het model met slechts vier bewegingen (stilstand, stap, draf en galop), werd een nauwkeurigheid van 89,72\% en een F1-score van 86,18\% behaald bij LOSOCV (Leave One Subject Out Cross Validation). Bij het classificeren van 14 bewegingen behaalde dit model een gemiddelde nauwkeurigheid van 79,82\% en een F1-score van slechts 34,34\%. Dit lagere prestatieniveau werd veroorzaakt door de gelijkenis tussen bepaalde activiteiten, zoals arbeidsdraf en middendraf. |
|---|
| Abstract (Eng): | Automatic classification of horse movements can provide valuable insights into the intensity of training. However, attaching sensors directly to the horse poses a potential risk to the animal. Therefore, this study proposes a solution to detect horse movements using sensors worn by the rider. Based on data collected from accelerometers, the study seeks to determine the optimal model for classification, the best sampling frequency, the ideal interval width, and the optimal sensor location. A total of eight models were compared, and an LSTM-convolutional network (ConvLSTM2D) achieved the highest accuracy, with an average accuracy of 81.02\%. The model performed best with an interval width of four seconds and a sampling frequency of 25 Hz. When the accuracy was calculated for the model considering only four movements (halt, walk, trot, and canter), an accuracy of 89.72\% and an F1-score of 86.18\% were achieved using LOSOCV (Leave One Subject Out Cross Validation). When classifying 14 movements using this model, it achieved an average accuracy of 79.82\% and an F1-score of only 34.34\%. This lower performance was due to the similarity between certain activities, such as working trot and medium trot. |
|---|