Využití mixtury gaussiánů pro detekci anomálií v časových řadách

Abstract

Tato práce se zabývá detekcí anomálního chování při chůzi pomocí kombinace knihovny MediaPipe, statistického modelu Gaussian Mixture Model (GMM) a neuronové sítě typu Long Short-Term Memory (LSTM). Cílem projektu je vytvořit systém schopný analyzovat pohyb osoby zachycený kamerou a identifikovat odchylky od běžného chování. MediaPipe slouží k extrakci klíčových bodů lidské kostry z videa, přičemž získaná data jsou převedena do vektorové podoby a zpracována dvěma způsoby. První metoda využívá GMM pro klasifikaci normálního chování a detekci anomálií na základě pravděpodobnostního skóre– pokud pozorování výrazně neodpovídá žádnému z existujících clusterů, je považováno za anomální. Druhá metoda využívá model LSTM, který je trénován na sekvencích pohybů a umožňuje zachytit časovou závislost v chůzi. LSTM model dokáže efektivně rozpoznat neobvyklé vzory pohybu v čase, které se liší od naučených normálních vzorců. Výsledkem je komplexní nástroj pro detekci odchylek v lidském pohybu, který může najít využití v oblasti bezpečnosti, zdravotnictví nebo sportovní analýzy.This thesis deals with the detection of anomalous walking behaviour using a combination of the MediaPipe library, a statistical Gaussian Mixture Model (GMM) and a Long Short-Term Memory (LSTM)neural network. The aim of the project is to create a system capable of analysis of a person’s motion captured by a camera and identify deviations from normal behaviour. MediaPipe is used to extract key points of the human skeleton from the video, and the extracted data is converted into vector form and processed in two ways. The first method uses GMM to classify normal behavior and detect anomalies based on a probability score- if an observation does not significantly match any of the existing clusters, it is considered anomalous. The second method uses an LSTM model that is trained on motion sequences to capture the temporal dependence in gait. The LSTM model can effectively detect unusual movement patterns over time that differ from the learned normal patterns. The result is a comprehensive tool for detecting anomalies in human motion that may find applications in security, healthcare, or sports analysis.