การรู้จำกิจกรรมของมนุษย์ (Human Activity Recognition: HAR) เป็นหนึ่งในหัวข้อสำคัญของการวิจัยด้านปัญญาประดิษฐ์และสมาร์ทโฮม เนื่องจากการทำความเข้าใจพฤติกรรมการเคลื่อนไหวของมนุษย์จากข้อมูลเซ็นเซอร์สามารถนำไปต่อยอดได้ทั้งในด้านสุขภาพ การดูแลผู้สูงอายุ การรักษาความปลอดภัย และการจัดการพลังงานในบ้านอัจฉริยะ งานวิจัยนี้จึงนำเสนอกรอบงานการรู้จำกิจกรรมทั่วไปของมนุษย์ โดยใช้ข้อมูลจากเซ็นเซอร์ของสมาร์ทโฟนร่วมกับเครือข่าย Long Short-Term Memory (LSTM) ซึ่งเป็นโมเดลที่มีประสิทธิภาพสูงสำหรับการประมวลผลข้อมูลอนุกรมเวลา

          ในการทดลอง ผู้วิจัยได้ออกแบบและทดสอบเครือข่าย LSTM พื้นฐานจำนวนสี่แบบ เพื่อวิเคราะห์ว่าการใช้ข้อมูลจากเซ็นเซอร์ประเภทต่าง ๆ ของสมาร์ทโฟน เช่น accelerometer และ gyroscope ส่งผลต่อความแม่นยำของการจำแนกกิจกรรมอย่างไร นอกจากนี้ยังได้เสนอเครือข่าย LSTM แบบไฮบริดที่ผสาน Convolutional Neural Network (CNN) เข้ากับ LSTM จำนวน 4 เลเยอร์ หรือที่เรียกว่า CNN-LSTM 4 Layers ซึ่งออกแบบมาเพื่อเพิ่มประสิทธิภาพการเรียนรู้เชิงลำดับและการสกัดคุณลักษณะเชิงพื้นที่

          การประเมินผลดำเนินการบนชุดข้อมูลสาธารณะ UCI-HAR ซึ่งเป็นฐานข้อมูลมาตรฐานของงานวิจัยด้าน HAR โดยใช้วิธีการสร้างตัวอย่างสองแบบ ได้แก่ Overlapping Window (OW) และ Non-Overlapping Window (NOW) ร่วมกับโปรโตคอลการตรวจสอบ Cross Validation และ Leave-One-Subject-Out (LOSO) เพื่อให้ได้การทดสอบที่ครอบคลุมและเชื่อถือได้ อีกทั้งยังมีการประยุกต์ใช้เทคนิค Bayesian Optimization ในการปรับแต่งค่าไฮเปอร์พารามิเตอร์ของโมเดลแต่ละเครือข่าย ทำให้สามารถหาค่าที่เหมาะสมที่สุดสำหรับการเรียนรู้

          ผลการทดลองพบว่าโมเดล CNN-LSTM 4 เลเยอร์ที่ถูกเสนอสามารถเพิ่มประสิทธิภาพการรู้จำกิจกรรมได้อย่างชัดเจน โดยมีค่าความแม่นยำเฉลี่ยสูงกว่าแนวทางการรู้จำที่ล้ำสมัยก่อนหน้านี้ถึง 2.24% ซึ่งสะท้อนให้เห็นถึงศักยภาพของการผสมผสาน CNN และ LSTM ในการวิเคราะห์ข้อมูลอนุกรมเวลาจากเซ็นเซอร์

          กล่าวโดยสรุป งานวิจัยนี้ไม่เพียงแต่แสดงให้เห็นถึงประสิทธิภาพของ LSTM และ CNN-LSTM ในการรู้จำกิจกรรมมนุษย์จากสมาร์ทโฟน แต่ยังชี้ให้เห็นถึงความเป็นไปได้ในการนำเทคนิคนี้ไปพัฒนาแอปพลิเคชันสำหรับสมาร์ทโฮมในอนาคต เช่น ระบบติดตามสุขภาพ การดูแลผู้สูงอายุ หรือการปรับสภาพแวดล้อมอัตโนมัติตามพฤติกรรมของผู้ใช้งาน