人类活动识别使用基于注意力机制的深度学习特征组合
Morsheda Akter1, Shafew Ansary1, Md Al-Masrur Khan2
1Department of Electronics Engineering, Dong-A University, Busan 49315, Republic of Korea.
Sensors (Basel, Switzerland)
|July 8, 2023
概括
本研究引入了一种新的深度学习方法,用于使用卷积神经网络 (CNN) 和注意力机制进行人类活动识别 (HAR). 该方法在多个数据集上实现了高精度,提高了HAR系统的性能.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 信号处理 信号处理
背景情况:
- 人类活动识别 (HAR) 对医疗保健,老年护理和监测至关重要.
- 深度学习 (DL) 模型,特别是卷积神经网络 (CNN),擅长自动从传感器数据中提取 HAR 的特征.
- 现有的HAR方法通常依赖于手工制作的特征,这些特征可能是复杂和低于最佳的.
研究的目的:
- 为增强人类活动识别 (HAR) 提出一种新的深度学习方法.
- 通过结合多个阶段的功能和整合注意力机制来提高HAR的准确性.
- 使用卷积神经网络 (CNN) 和CBAM模块开发基于传感器的HAR的通用模型结构.
主要方法:
- 使用卷积神经网络 (CNN) 进行HAR,将原始传感器信号处理为光谱图.
- 实施了一种新的方法,将多个卷积阶段的特征结合起来,以获得更丰富的表示.
- 集成了一个卷积块注意模块 (CBAM) 来完善特征提取和提高模型准确性.
主要成果:
- 拟议的CNN模型实现了高分类准确率:KU-HAR上的96.86%,UCI-HAR上的93.48%,WISDM上的93.89%.
- 与之前的HAR方法相比,该方法在多个评估指标中显示出更高的性能.
- 整合多阶段特征组合和注意力机制的整合对HAR有效.
结论:
- 开发的深度学习模型为基于传感器的人类活动识别提供了一个全面而有能力的解决方案.
- 新的特征提取技术,利用多阶段特征组合和注意力,显著提高了HAR准确性.
- 这种通用模型结构显示了在医疗保健和监测中的各种HAR应用的前景.
