A tevékenység felismerés azon a feltételezésen alapul, hogy mozgás közben az emberi test jellegzetes szenzorjelet, más szóval mintát generál, amelyek digitális jelfeldolgozás és/vagy gépi-tanulás segítségével felismerhetőek. Annak ellenére, hogy számos cikk született már ezen a témakörön belül, számos kérdés még megválaszolatlan volt. Ezek közül az egyik legkiemelkedőbb a tanuló algoritmussal szembeni bizonytalanság. Vajon melyik tanuló algoritmus alkalmazható a leghatékonyabban erre a célra? Valamelyik sekély tanuló módszer, esetleg a sekély módszereknek valamilyen együttese, vagy a napjainkban egyre nagyobb teret hódító mély tanulási technikák? A tanuló algoritmusok hatékonyságának növelésével kapcsolatban egy másik fontos kérdés, hogy milyen elő-feldolgozáson essen át az az adathalmaz, amely a tanuló algoritmust fogja táplálni. Esetleg elég a szenzortól érkező normalizált adatok használata, vagy célszerűbb lenne az így kapott adatokat jellemző úgynevezett adatleírók (features) alkalmazása a tanuló algoritmus bemeneteként? Amennyiben adatleírókat szeretnénk használni, akkor milyen adatleírókat kell kiszámítanunk? Végül az utolsó fontos kérdés, hogy mennyire megbízhatóan alkalmazhatóak az úgynevezett offline módon kapott eredmények a valós életben? A doktori dolgozatomban főként ezekre a kérdésekre keresetem a válaszokat.

Nowadays, human activity recognition (HAR) is an important component of many ambient intelligent solutions where accelerometer and gyroscope signals give the information about the physical activity of an observed person. HAR is based on the assumption that body movements generate characteristic sensor signal patterns, which can be recognised with machine learning algorithms. Even though many articles have been published in this topic, several questions remained unanswered. One of them comes from the uncertanity of shallow and deep classifiers. There are a great number of classifier algorithms which have been applied for HAR and different researchers measured different recognition rates with the same classifier on the same dataset. It raised some questions. What can be the reason for the different results? Which type of classifier is the most appropriet (shallow, complex or deep)? Are feature extraction and feature selection necessary or not? Does exist a general feature combination which similarly efficient independently of the person? Finally the last question is related to the reliability of offline results. Are offline results fulfilled in real life too? The aim of my dissertation was to find answares for the above questions.