Návrh nositelného zařízení pro potřeby monitorování osob

Abstract

Tato diplomová práce se zabývá návrhem a implementací nositelného zařízení pro monitorování pohybové aktivity osob v reálném čase. Hlavním cílem je vytvořit funkční prototyp schopný snímat data pomocí inerciální měřicí jednotky, tato data bezdrátově přenášet a následně je zpracovávat a analyzovat. V teoretické části je provedena rešerše dostupných technologií pro monitorování pohybu se zaměřením na inerciální senzory a bezdrátovou komunikaci. Dále jsou diskutována kritéria výběru vhodných zařízení a metody zpracování dat včetně přístupů ke klasifikaci lidské aktivity. Praktická část zahrnuje návrh hardwarového prototypu, vývoj firmware a implementaci aplikace pro sběr dat. Na základě experimentálního měření jsou získaná data zpracována a využita pro klasifikaci pohybových aktivit pomocí metod strojového učení. Výsledky ukazují, že navržený systém je schopen spolehlivě zaznamenávat a analyzovat pohybová data a umožňuje efektivní klasifikaci aktivit jak v experimentálních podmínkách, tak v reálném prostředí.

This thesis focuses on the design and implementation of a wearable device for real-time monitoring of human physical activity. The main objective is to develop a functional prototype capable of acquiring data using an inertial measurement unit, transmitting the data wirelessly, and subsequently processing and analyzing it. The theoretical part provides an overview of available motion monitoring technologies with an emphasis on inertial sensors and wireless communication. It also discusses criteria for selecting suitable devices and methods for data processing, including approaches to human activity classification. The practical part includes the design of a hardware prototype, firmware development, and the implementation of a data acquisition application. Based on experimental measurements, the acquired data are processed and used for activity classification using machine learning methods. The results demonstrate that the proposed system is capable of reliable motion data acquisition and analysis and enables effective classification of activities in both experimental conditions and real-world scenarios.