beteendeigenkänning

Beteendeigenkänning är inom data- och beteendevetenskaperna termen för processen att tolka och kategorisera mänskligt eller djurs beteende utifrån observerbar data. Det innefattar att identifiera specifika beteenden, aktiviteter eller psykologiska tillstånd från flöden av information som video, ljud, rörelsemätningar eller fysiologiska signaler. Inom artificiell intelligens och datavetenskap används beteendeigenkänning för att automatisera igenkänning av mönster över tid, ofta genom maskininlärning och djupinlärning.

Metoderna kombinerar datorseende, sensorfusion och tidsseriemodeller. Vanliga tekniker inkluderar konvolutionsnätverk för bildbaserad igenkänning, rekurrenta nätverk eller transformerbaserade modeller för sekvensdata, samt traditionella statistiska metoder som hemliga Markov-modeller. Data kan hämtas från videoströmmar, inbyggda sensorer, bärbara enheter eller miljösensorer. Behovet av annotering och stora träningsdataset är centralt för prestanda.

Användningsområden inkluderar övervakning och säkerhet, hälso- och äldreomsorg, sportanalys, människa-dator-interaktion, robotik och smarta hem. Utmaningar inkluderar integritetsfrågor och etiska överväganden, bias och generalisering över olika populationer, varierande miljöförhållanden samt realtidskrav och tolkningsbarhet.

Mätvärden för utvärdering omfattar noggrannhet, precision, recall och F1, samt segment- eller händelsebaserade mått för tidsseriedata. Forskningen nyttjar ofta offentliga datasets som exempelvis Kinetics och UCF101.