障害者におけるジェスチャー分析を用いた人間活動パターンの効果的な分類のための深層学習モデルの統合
Hend Khalid Alkahtani1, Nouf Al-Kahtani2, Gouse Pasha Mohammed3
1Department of Information Systems, College of Computer and Information Sciences, Princess Nourah Bint Abdulrahman University, P.O. Box 84428, 11671, Riyadh, Saudi Arabia. hkAlqahtani@pnu.edu.sa.
Scientific reports
|December 12, 2025
まとめ
本研究では、メタヒューリスティック最適化を用いた人間活動認識（HAR）のための最適化ハイブリッド深層学習モデル（OHDLM-HARMOA）を紹介します。このモデルは99%の精度を達成し、障害のある個人の活動モニタリングを大幅に改善します。
科学分野:
- コンピュータビジョン
- 人工知能
- 機械学習
背景:
- 人間活動認識（HAR）は、ビデオ監視や支援技術などのアプリケーションにおいて重要です。
- 深層学習（DL）モデルは、特に障害のある個人や高齢者にとって、正確なHARに不可欠です。
- 既存のHAR手法は、パフォーマンスと信頼性を向上させるために最適化が必要です。
研究 の 目的:
- 強化された人間活動認識のための最適化ハイブリッド深層学習モデル（OHDLM-HARMOA）を開発すること。
- 正確な活動モニタリングを通じて、障害のある人々の生活の質を向上させること。
- 優れたHARパフォーマンスのためにメタヒューリスティック最適化アルゴリズムを活用すること。
主な方法:
- Zスコア正規化を使用したデータ前処理。
- アリコロニー最適化（ACO）による特徴選択。
- 畳み込みニューラルネットワーク（CNN）と注意機構付き双方向ゲート付き回帰ユニット（BiGRU-A）を使用したハイブリッド分類。
- サインコサインアルゴリズム（SCA）を使用したパラメータ調整。
主要な成果:
- OHDLM-HARMOAモデルはWISDMデータセットで99.00%の高い精度を達成しました。
- 既存のHARモデルと比較して優れたパフォーマンスを示しました。
- 効果的な特徴選択とパラメータ最適化がモデルの成功の鍵でした。
結論:
- OHDLM-HARMOAモデルは、人間活動認識のための非常に正確で効果的なソリューションを提供します。
- このアプローチは、高度な活動モニタリングを通じて障害のある個人を支援する上で大きな可能性を秘めています。
- メタヒューリスティック最適化は、HARにおける深層学習モデルのパフォーマンスを大幅に向上させます。
