Система класифікації даних від датчиків присутності в приміщенні за допомогою графової нейронної мережі

Abstract

UA: Об’єктом дослідження є системи класифікації даних, отриманих від датчиків присутності, що застосовуються у різних сферах, таких як розумні будинки, безпека, та управління просторовою організацією приміщень. Метою роботи є розробка апаратно-програмного прототипу системи, яка здатна не лише виявляти присутність людей, але й аналізувати та класифікувати патерни руху людей в межах певного простору. Методи дослідження включають аналіз і синтез моделей класифікації патернів поведінки на основі даних, отриманих з різних типів датчиків, таких як PIR-сенсори, ультразвукові та міліметрові сенсори. В роботі сформовані концептуальна та фізична моделі системи з використанням засобів UML-діаграм. Моделювання різних сценарієв роботи системи виконано в середовищі Mental Modeler. Навчання та тестування на синтетичних даних графової та рекурентної нейронних мереж, за допомогою яких реалізована класифікація даних від датчиків присутності, забезпечено Jupyter notebook. Інтеграція всіх модулів системи виконано в середовищі Node-RED у вигляді динамічної моделі системи, що здатна в режимі реального часу здійснювати класифікацію патернів руху та поведінки людей на основі даних від датчиків присутності. Створена система забезпечує новий рівень функціональності для систем, орієнтованих на розумні приміщення та забезпечення безпеки.

EN: The object of the study is the classification system of data obtained from presence sensors, which are used in various fields, such as smart homes, security, and spatial organization management of premises. The aim of the work is to develop a software and hardware prototype of a system that is capable not only of detecting the presence of people, but also of analyzing and classifying patterns of people's movement within a certain space. The research methods include the analysis and synthesis of models for classifying behavior patterns based on data obtained from different types of sensors, such as PIR sensors, ultrasonic and millimeter sensors. The work forms conceptual and physical models of the system using UML diagrams. Modeling of various scenarios of the system's operation is performed in the Mental Modeler environment. Training and testing on synthetic data of graph and recurrent neural networks, with the help of which the classification of data from presence sensors is implemented, is provided by Jupyter notebook. The integration of all system modules is performed in the Node-RED environment in the form of a dynamic system model capable of classifying human movement and behavior patterns in real time based on data from presence sensors. The created system provides a new level of functionality for systems focused on smart premises and security.