PENGEMBANGAN PROTOTIPE PENGENALAN AKTIFITAS FISIK DENGAN SENSOR ACCELEROMETER BERBASIS INTEGRASI DEMPSTER-SHAFER DAN K-NEAREST NEIGHBOURS

Waskitho Wibisono

Jurusan Teknik Informatika

Institut Teknologi Sepuluh Nopember (ITS), Surabaya

E-mail: waswib@if.its.ac.id

Abstrak

Sistem yang context-aware adalah sistem yang dirancang untuk mampu beradaptasi dengan lingkungannya, dimana adaptasi dari system ini umumnya dilakukan dengan informasi context dari penggunanya. Aktivitas fisik yang dilakukan oleh user, adalah salah satu bentuk context yang penting dan umum digunakan untuk membangun sistem context-aware tersebut. Dalam paper ini, prototipe aplikasi untuk identifikasi aktifitas fisik user berbasis sensor accelerometer tunggal dikembangkan menggunakan penggabungan metode Dempster-Shafer dan K-Nearest Neighbour (KNN). Ujicoba dilakukan dengan menggunakan data yang didapat dengan dari sebuah sensor 3-Axis Accelerometer pada SunSPOT device, yang dipasang pada paha pengguna. Ujicoba pengenalan aktivitas dilakukan untuk tiga aktifitas fisik yang umum dilakukan user. Hasil ujicoba menunjukkan akurasi pengenalan yang tinggi terhadap tiga aktivitas fisik user, dari data yang didapat dari sensor accelerometer tersebut.

Kata kunci: Sistem Context-Aware, Pengenalan Aktivitas, Dempster-Shafer, Accelerometer.

Abstract

Context-aware systems are systems that capable of adapting to their environments and provide relevant information and/or services with minimum user intervention. Commonly, a context-aware system will adapt based on context of the its user. Physical user activities usually become the most important context used for system adaptation. In this paper, a prototype of application used to identify physical user activity based on accelerometer data is proposed. The prototype is developed based on integration of Dempster-Shafer theory and K-Nearest Neighbor (KNN). Experiments were conducted using data captured using 3-Axis Accelerometer of a SunSPOT device, placed at user’s thigh. The activity recognition testing was performed, for three different common physical activities of a user. The result of experiments shows high accuracy for the physical user activities, using data from the accelerometer.

Keywords: Context-Aware System, Activity Recognition, Dempster-Shafer, Accelerometer.

PENDAHULUAN

Perkembangan dan kemajuan dari komputasi bergerak dan teknologi perangkat bergerak telah memunculkan ide untuk membangun sistem yang context-aware [1, 2]. Sistem ini dirancang untuk mampu beradaptasi dengan lingkungannya, serta memberikan informasi atau layanan yang relevan berbasis context tanpa memerlukan intervensi user secara eksplisit [3, 4].

Dey et al. [4] memberikan definisi yang populer tentang context sebagai semua informasi yang dapat digunakan untuk mengenali aktivitas dari pengguna. Sebuah sistem yang tanggap terhadap perubahan context dari penggunanya, diharapkan agar dapat meningkatkan usability dari sistem tersebut terhadap kebutuhan user [5].

Aktivitas fisik yang sedang dilakukan user adalah salah satu bentuk context yang penting dan umum digunakan untuk membangun context-aware system. Untuk mendeteksi

aktivitas fisik tersebut, sensor yang umum digunakan adalah accelerometer [6]. Sensor ini adalah salah satu sensor yang murah yang sering dipakai untuk mengenali aktivitas dari pengguna. Data yang dihasilkan dengan oleh sensor ini umumnya dapat dipakai untuk mengukur pergerakan dan orientasi dari sebuah alat relatif terhadap gaya gravitasi.

Dalam paper ini, akan dipaparkan metode untuk mengenali aktifitas user berbasis data dari sensor accelerometer dengen menggunakan teori Dempster-Shafer (DS) yang diintegrasikan dengan metode klasfikasi K-Neirest Neighbor (KNN) [7, 8]. Teori DS umumnya dipakai dalam permasalahan data fusion untuk pengenalan situasi karena memiliki memberikan banyak kelebihan yaitu [9]:

•             Memungkinkan representasi dari imprecision dan uncertainty dengen mengenalkan konsep tentang belief dan plausibility [10];

•             Memberikan kemampuan untuk menggunakan partial knowledge dari preposisi dengan kemampuan untuk merepresentasikan konjungsi dari beberapa hipotesis tentang kasus yang akan dikenali, selain juga untuk hipotesis tunggal [11, 12].

•             Memberikan metode yang effektif untuk mengkombinasikan informasi dari berbagai sumber data yang berbeda-beda [13].

Selain keunggulan seperti yang ditulis diatas, problem dasar dalam mengaplikasikan teori DS untuk pengenalan aktifitas adalah perlu dibangunnya metode yang sesuai untuk berfungsi sebagai mass function [14]. Fungsi ini menghasilkan nilai mass yang merepresentasikan derajat dukungan kepada sebuah hipotesis apabila sebuah evidence didapatkan.

Dalam paper ini kami mengadopsi metode yang di ajukan pertama kali oleh Denoux dan kemudian digunakan oleh Yahdani et.al [7, 8] untuk mendapatkan nilai mass. Penjelasan tentang teori DS dan integrasinya dengan metode KNN dijelaskan dalam sub bagian berikut.

TEORI DEMPSTER-SHAFER (DS)

Teori Dempster-Shafer (DS) dikenalkan oleh Glen Shafer [15]. Dalam teori ini, sebuah

himpunan hipotesis (0 = {hl,.., hn} dari n kejadian yang akan dikenali dan bersifat mutually exclusive dan disebut sebagai frame of discernment (FOD)[15].

Jika 20 merupakan himpunan power set dari 0, maka mass assignment (yang juga dikenal sebagai mass function m didefinisikan sebagai fungsi m: 20 [0,1] dimana m(0) =

0 dan Zhj5;0m(h1) = 1. Nilai mass dari

sebuah hypothesis ( hj), yakni m(hj), merepresentasikan derajat dukungan proposisi hi. Nilai dari mass yang dialokasikan untuk m(0), yaitu mass yang dialokasikan untuk frame of discernment, merepresentasikan derajat ketidaktahuan atau uncertainty akan hipotesis yang tepat.

Membangun fungsi untuk mendapatkan nilai mass dari terhadap kemungkina-kemungkinan hipotesis, adalah sebuah tahapan yang sangat krusial untuk dilakukan untuk mengadopsi teori DS. Namun demikian, hingga saat ini hal ini masih merukan isu utama dalam penerapan teori DS dalam memecahkan problem-problem klasifikasi [14, 16].

Untuk mengatasi masalah tersebut, dalam paper ini, penulis mengadopsi metode yang di ajukan pertama kali [7] yang kemudian digunakan di [8]. Detail dari metode ini kami diskusikan dalam bagian berikut ini.

Mass Function berbasis Integrasi KNN dan Dempster-Shafer (KNN-DS)

Metode klasifikasi berbasis KNN adalah metode yang umum digunakan dalam permasalah klasifikasi. Namun demikian, kelemahan yang umum dari metode ini adalah penggunaan mekanisme voting mayoritas. Metode ini tidak mengakomodir perbedaan jarak dari elemen-elemen data KNN, yang didapatkan dari penghitungan jarak, dari sebuah input data yang akan dikenali, terhadap data-data yan ada dalam training dataset. Namun pada kenyataannya, jarak dari elemen-elemen KNN yang terpilih sering kali berbeda-beda [7, 8] sehingga metode berbasis voting mayoritas kurang efektif.

Sebagai contoh, misalnya saja, e= {si, ..., sn} adalah himpunan dari aktifitas yang akan dideteksi. Untuk membangun mass function berbasis KNN-DS, sebuah dataset pelatihan harus dipersiapkan untuk semua aktifitas yang dinyatakan dalam 0. Setiap data

dalam dataset tersebut haruslah memiliki label s̅ ∈ •1, . . n} yang merepresentasikan aktifitas yang terkait.

Ide dasar dari KNN adalah untuk mengklasifikasikan input data berdasarkan dari himpunan dari tetangga terdekat yang didapatkan dari dataset training. Sebagai contoh misalnya, sebuah himpunan nilai mass ingin didapatkan dari sebuah input context data ¬i(­), kemudian sebuah himpunan tetangga terdekat yang didapatkan dan dinyatakan sebagai ®¯(t). Elemen-elemen dari KNN yang dipilih tersebut dapat dihitung dengan menggunakan perhitungan dengan rumus jarak tertentu (misalnya euclidian), antara input context data dan dataset training.

Secara umum, jumlah tetangga diatur sebelum proses komputasi. Sebagai contoh, misalnya ¥ merepresentasikan jumlah dari tetangga terdekat. Untuk setiap ¬i(±) ∈ ®¯(­), dimana ± = 1,.., ¥ dimana labelnya adalah sebagai 2 adalah sebuah evidence yang meningkatkan tingkat kepercayaan (belief) bahwa input context ¬i(­), tersebut termasuk kedalam aktifitas §3 ∈ ¤. Namun demikian, informasi ini tidak menjamin secara mutlak akan kebenaran dugaan tersebut. Kondisi ini

dapat     direpresentasikan             dengan

mengalokasikan sebagian dari nilai belief kepada §3 ∈ ¤, sedangkan sisanya dapat dialokasikan ke FOD yaitu ¤ = •§r, ... , §n}.

Dalam metode ini, nilai mass dihitung dengan fungsi yang bersifat monotonically decreasing terhadap jarak antara context data sebagai input dan elemen dari KNN yang

didapatkan, ¬i(x) ∈ Φµ(t)               dimana  x =

1,.., K. Alasan yang melandasi konsep diatas adalah : semakin besar jarak antara input data dan elemen dari K-tetangga terdekat yanga didapatkan akan mengindikasikan belief yang semakin berkurang bahwa input data tersebut adalah aktifitas yang terkait dengan label yang diasosiakan oleh elemen data KNN yang terkait[7]. Kondisi ini dapat direpresentasikan oleh mass function yang memenuhi ketentuan sebagai berikut [7, 8].

i#f§3m, ­, ±% = •¸±1tºd»,1/4      (1)

l(¤, ­, ±) = 1       (2)

− i#f§3m, ­, ±%

l(1/2, ­, ±) = 0 ∀1/2        (3)

∈ ¤\ À¤,f§3mÁ

Dimana ot, adalah jarak antara input context data dan ¬i(­) dengan ¬i(±) ∈ ®¯(­), dan Ã>0 adalah koefisien normalisasi. Koefisien • pada 0 < • < 1, yang mengindikasikan bahwa meskipun jarak yang didapatkan adalah nol, hal ini belum bisa menjamin secara 100% bahwa input data tersebut ¬i(­) memiliki aktivitas yang sama dengan yang di dataset training. Dalam prakteknya, nilai à dan • dapat ditentukan secara heuritsik seperti yang ditunjukkan oleh Deneoux [7].

Semisal kita mendapatkan ®¯,Å(­) sebagai himpunan KNN yang termasuk kedalam aktifitas §3, kombinasi dari nilai mass yang didapatkan dari ®¯,Å(­) dapat dihitung sebagai berikut:

i,3#f§3m,­% =

1 −          Æ#1 − •¸±1tºd»,1/4%      (4)

ÇÈ(Â)ÉÊË,Ì(t)

i,3(¤, ­) =            Æ1 − •¸±1tºd»,1/4

               ÇÈ(Â) ÉÊË,Ì(t)      (5)

Jika ®¯,Å(­) = ∅, maka keseluruhan nilai mass dialokasikan kepada FOD, yaitu m¯#¤l, ­% = 1, dan i,3#f§3m, ­% = 0. Pada langkah selanjutnya, nilai-nilai mass untuk keseluruhan aktifitas yang telah didapatkan dikombinasikan untuk mendapatkan nilai-nilai mass gabungan. Dengan › sebagai jumlah dari aktifitas yang akan dideteksi, koefisien normalisasi G dihitung seperti dalam persamaan berikut.

n

Ï = s ~,3

~ #f§3m, ­% Æ ~,~

~ #Θ, ­%

3+r         rÐ3

n

+ Æ ~,3

~ (¤l, ­)  (6)

3+r

Kemudian nilai mass secara untuk setiap aktifitas secara keseluruhan dapat dihitung menggunakan persamaan berikut:

               l~#f§3m, ­% =   (7)

1riL,q ~([Sq},t) ∏               ~~,~

~~~ ~ (Θ,t)

G

Nilai mass yang dialokasikan kepada FOD (0), merepresentasikan derajat ketidak tahuan (ignorance) dalam mengenali aktifitas. Kondisi yang merepresentasikan total ignorance terjadi bila, mi(Θ, t) = 1. Nilai tersebut didapatkan dengan persamaan sebagai berikut :

∏n ml q (e 1, t)

ml (el, t) =

~             (8)

Contoh Perhitungan

Misalnya dalam sebuah proses pengenalan aktivitas fisik seorang user dari sebuat input context cl(t) dan 5 nearest neighbours (NN) Φi(t) = {ci(x)|x = 1, .. ,5 }, dengan masing masing jaraknya (dt,~) seperti ditunjukkan dalam Tabel 1. Tabel tersebut juga menunjukkan aktivitas yang terkait dari setiap NN yang diperoleh dimana sl=Berdiri, s2=Duduk dan s3=Berjalan.

Untuk menghitung mass assignment, koefisient γ didapatkan dengan menggunakan metode heuristik[7] dimana rata-rata dari

jarak      dari NN yang didapatkan (γ =

~l

Q

∑~ ~~,~

l ~ ) dan koefisien α di set pada nilai 0.95. Dalam tabel berikut, jarak dari tiap-tiap tetangga, dan perhitungan awal nilai mass dengan k = 5 and y = (1/0.455356693) ditunjukkan.

Tabel 1. Contoh Jarak pada KNN dan Kalkulasi Awal Mass

dt,x        Sq           aexp-ydt,~           1 - aexp-ydt,~

0.450088321

0.455088324

0.457010096

0.457298363

0.457298363      sl

S3

sl

sl

s3           0.353552417

0.349691503

0.348218786

0.347998414

0.347998414      0.646447583

0.650308497

0.651781214

0.652001586

0.652001586

Perhitungan nilai awal mass untuk aktivitas ”BERDIRI”, dilakukan dengan menggunakan x = 1,3,4 sebagai berikut

ml,l(Θ) =0.646447583×0.651781214×

0.652001586=0.274715907

ml,l({sl}) = 1 - ml,l(Θ) = 0.725284093

Perhitungan untuk nilai mass aktivitas ”BERJALAN” didapat dari x = 2,5 sebagai berikut:

ml,3(Θ) = (0.650308497 x

0.652001586) = 0.424002172

m1,3({s3}) = 1- m1,3(Θ) = 0.575997828

Karena 0l,2 = 0 , dimana tidak ada tetangga terdekat (nearest neighbours) cl(t) ∈

0l(t) yang berkorespondensi dengan situasi ”DUDUK” (s2) maka kita dapat memberikan nilai ml,2({Θ}) = 1 dan ml,2({S2}) = 0.

Dengan nilai-nilai tersebut kita dapat mendapatkan angka koefisien G (Eq. 6) sebagai faktor normalisasi dengan perhitungan sebagai berikut:

G = #(0.725284093 x 0.424002172 x 1) + (0.5759978282) x ( 0.274715907 x 1) + (0 x 0.424002172 x 0.274715907) + (0.424002172 x 0.274715907 x 1))) = 0.582237937

Nilai mass akhir yang merupakan kombinasi dari nilai awal mass yang didapat dari perhitungan sebelumnya didapatkan sebagai berikut (Eq. 7)

m1(s1) = (0.725284093 x

0.424002172 x 1)/

0.582237937 =0.528172438

m1(s3) = (0.575997828

x 0.274715907

x 1) / 0.582237937

= 0.271771651

m1(Θ) =(0.274715907×0.424002172)/

0.582237937=0.200055911 M1(S2) = 0

Dari perhitungan diatas, didapatkan nilai-nilai mass untuk aktivitas BERDIRI= 0.528172438, BERJALAN=0.271771651 dan DUDUK=0 dan nilai mass untuk FOD(Θ) yang merepresentasikan ketidaktahuan (ignorance) adalah 0.200055911.

UJICOBA PENGENALAN AKTIVITAS DENGAN DATA SENSOR ACCELEROMETER

Ujicoba dengan data riil dari sensor accelerometer dilakukan dengan memasang perangkat SunSPOT [6] yang didalamnya terdapat sensor accelerometer seperti yang ditunjukkan pada Gambar 1 berikut. Orientasi dari setiap sumbu dalam sensor tersebut seperti yang ditunjukkan dalam gambar tersebu dimana simbol (+) pada setiap sumbu mengindikasikan bahwa ketika akselerasi bertambah pada arah sumbu tersebut [6].

Gambar 1 Sumbu X,Y and Z dari Sensor

Accelerometer pada Sun SPOT device

Dalam ujicoba yang dilakukan, SunSPOT diletakkan pada lokasi paha bawah dari user yang terlibat dalam ujicoba. Dalam ujicoba tersebut, tiga aktivitas fisik yang umum dilakukan yaitu : ”BERJALAN”, ”BERDIRI” dan ”DUDUK” akan dikenali..

Ujicoba dilakukan dengan data menggunakan data yang diambil dari 3-axis accelerometer sensor yang terdapat pada SunSPOT device (lihat Gambar 1).

Dalam ujicoba yang kami lakukan, SunSPOT device diletakkan pada paha kanan dari dua orang user seperti dalam Gambar 4 di halaman 6.

Pengambilan Dataset Training

Dalam ujicoba, dilakukan perekaman data untuk tiga aktivitas fisik yaitu, berjalan, berdiri dan duduk. Untuk menghasilkan context data, dilakukan sampling terhadap sensor 3-axis accelerometer pada frekuensi 40Hz, dengan panjang window sampling sebanyak 128 elemen data. Dalam pengaturan

seperti ini, setiap window sampling merepresentasikan data selama 3.2 detik masa observasi. Mean dari data-data yang didapatkan dari setiap sumbu accelerometer digunakan sebagai context data.

Ploting dari data accelerometer pada ketiga sumbu untuk ketiga aktifitas fisik yang digunakan dalam ujicoba dapat dilihat pada gambar-gambar berikut.

Gambar 2 Visualisasi Data 3-Axis Accelerometer Sensor , Untuk Tiga Aktifitas Fisik Umum Seorang User

Implementasi

Implementasi yang dibuat terdiri dari dua komponen utama. Dalam komponen pertama

adalah implementasi untuk membuat komponen akuisi data sedang komponen kedua adalah modul untuk pengenalan aktivitas.

Dalam paper ini, modul akuisisi data dikembangkan dengan menggunakan free-range SunSPOT (FR-SP) [17] yang dipasang pada paha kanan user (Gambar 4).

Dalam setiap FR-SD, terdapat sensor 3¬ axis accelerometer (LIS3L02AQ) yang dapat digunakan untuk mengukur pergerakan dan orientasi dari sensor yang dipasang [18]. Setiap SunSPOT devices menjalakan Java virtual machine (VM) yang disebut "Squawk" dan dapat diprogram dengan menggunakan library yang didapatkan dari SunSPOT SDK [17].

Untuk menjembatani komunikasi antara workstation user dan FR-SP, sebuah SunSPOT base station device (BS-SD) dipasang dalam laptop yang digunakan dalam ujicoba dengan berbasis koneksi USB. BS-SD berfungsi sebagai gateway radio antara FR-SP dan workstation. Komposisi umum dari FR-SP, BS-SD dan workstation seperti ditunjukkan dalam gambar berikut.

Gambar 3. Konfigurasi Umum SunSPOT Ujicoba

Dalam ujicoba yang dilakukan, dua orang user diinstruksikan untuk melakukan tiga aktivitas yang diujikan dalam paper ini yaitu ”BERDIRI”, ”BERJALAN” dan ”DUDUK”. Setelah dataset training didapatkan. Ujicoba selanjutnya dilakukan dengan meminta untuk kedua user untuk melakukan aktifitas serupa dan dilakukan pengenalan dari data-data baru dari sensor accelerometer di kesempatan tersebut.

Gambar 4. Pemasangan SunSPOT Device Pada Paha Kanan User Dalam Ujicoba.

Prototipe implementasi untuk pengenalan aktivitas fisik user dikembangkan dengan barbasis bahasa pemrograman Java seperti yang ditunjukkan dalam Gambar 5 dibawah.

Dalam prototipe awal yang dibangun dan dilaporkan didalam paper, data training dikumpulkan dari pengamatan untuk aktifitas-aktifitas yang diuji selama sekitar 15 menit. (300 data). Pengujian kemudian dilakukan dengan pengambilan sample data uji sebanyak 30 data. Masing masing data terdiri dari data sensor accelerometer dari setiap sumbu (x,y,z), untuk masing-masing aktivitas. Dari ujicoba yang telah dilakukan untuk tiga aktivitas sederhana pada skenario ujicoba diatas dengan 30 data uji, didapatkan akurasi yang tinggi, dimana seluruh data uji untuk tiga aktifitas tersebut dapat dikenali semuanya dengan akurasi 100%.

KESIMPULAN

Dalam paper ini sebuah model pengenalan aktifitas dengan basis sensor accelerometer telah berhasil dikembangkan. Model tersebut kemudian diimplementasikan dalam sebuah prototipe berbasis bahasa Java. Ujicoba

dilakukan dengan data-data yang didapatkan dengan akuisisi data langsung terhadap tiga aktifitas fisik yang umum dilakukan seseorang yaitu : Berdiri, Duduk dan Berjalan. Aktifitas fisik user yang akan dikenali direkam dengan dengan menggunakan accelerometer tunggal pada sensor SunSPOT, yang dipasang pada posisi paha kanan user tersebut. Hasil ujicoba yang dilakukan menunjukkan hasil yang tinggi untuk mengenali tiga aktifitas fisik tersebut.

Pengembangan kedepan yang kami rencanakan adalah menggunakan prototipe ini untuk mengenali aktifitas fisik user yang lebih banyak dan komplek lainnya misalnya bersepeda, menari, atau kondisi lainnya misalnya terjatuh (fall detection). Untuk itu penggunaan, sensor yang lebih banyak dan dipasang pada beberapa lokasi pada tubuh user diperlukan.

DAFTAR PUSTAKA

[1]          M. Satyanarayaman, "Pervasive Computing : Vision Challenges," IEEE Personal Communications, vol. 8, pp. 10-17, August 2001.

[2]          M. Weiser, "The Computer of the 21st

Century,"             IEEE       Personal

Communications, vol. 8, pp. 10-17, 1998.

[3]          M. Baldauf, et al., "A Survey on Context-Aware Systems," Int. Journal Ad Hoc and Ubiqitous Computing, vol. 2, pp. 263-277, 2007.

[4]          A. K. Dey, et al., "A Context-based

Infrastructure     for          Smart

Environments," in Proceedings of the 1st International Workshop on Managing Interactions in Smart Environments (MANSE '99), Dublin, Ireland, 1999, pp. 114-128.

[5]          A. Ranganathan and R. H. Campbell, "A Middleware for Context-Aware. Agents in Ubiquitous Computing Environments," in Proceedings of the ACM/IFIP/USENIX International Middleware Conference, Rio De Janeiro, Brazil, 2003, pp. 143-161.

[6]          R. Goldman. (2010, 3/4/2011). Using the

SPOT      Accelerometer.  Available:

http://www.sunspotworld.com/docs/AppNo tes/AccelerometerAppNote.pdf

[7]          T. Denoeux, "A k-Nearest Neighbor Classification Rule Based on Dempster-Shafer Theory," IEEE

Transaction on Systems, Man and Cybernetics, vol. 25, pp. 804-813, 1995.

[8]          A. Yazdani, et al., "Classification of EEG Signals Using Dempster Shafer Theory and a K-Nearest Neighbor Classifier," in Proceedings of the 4th International IEEE EMBS Conference on Neural Engineering, Antalya, Turkey, 2009, pp. 327-330.

[9]          G. L. Rogova and V. Nimier, "Reliability in Information Fusion : Literature Survey," in Proceeding of the 7th

International      Conference         on

Information Fusion, Stockholm,

Sweden, 2004, pp. 1158-1165.

[10]        I. Bloch, "Some aspects of Dempster

Shafer evidence theory for classification of multi-modality medical images taking partial volume effect into account," Pattern Recognition Letters, vol. 17, pp. 905 - 919 1996.

[11]        S. L. H´egarat-Mascle, et al., "Application of Dempster–Shafer Evidence Theory to Unsupervised Classification in Multisource Remote Sensing," IEEE Transactions on Geoscience and Remote Sensing, vol. 35, pp. 1028-1037, 1997.

[12]        D. Preuveneers and Y. Berbers, "Quality Extensions and Uncertainty Handling for Context Ontologies," in In: Workshop on Context and Ontologies: Theory, Practice and Applications, Riva del Garda, Italy, 2006, pp. 62-64.

[13]        E. Cortes-Rello and F. Golshani, "Uncertain reasoning using the

Dempster-Shafer              method:               an

application in forecasting and marketing management," Expert Systems, vol. 7, pp. 9-18, 1990.

[14]        X. Guan, et al., "Study on Algorithms

of Determining Basic Probability Assignment Function in Dempster-Shafer Evidence Theory " in International Conference on Machine Learning and Cybernetics, Kunming, China, 2008, pp. 121 - 126.

[15]        G. Shafer, A Mathematical Theory of Evidence,: Princeton University Press, 1976.

[16]        A. O. Boudraa, et al., "Dempster

Shafer’s Basic Probability Assignment

Based on Fuzzy Membership Functions," Electronic Letters on Computer Vision and Image Analysis vol. 4, pp. 1-9, 2004.

[17] SunLabs. (2008, 5/9/2011). SunTM Small Programmable Object Technology (Sun SPOT) Theory of Operation.

[18]        R. Goldman. (2007, 3/9/2010). Using

the LIS3L02AQ Accelerometer. Available: http://www.sunspotworld.com/docs/A ppNotes/AccelerometerAppNote.pdf