相关实验视频
Updated: Jun 28, 2026

07:24
Home-Based Monitor for Gait and Activity Analysis
Published on: August 8, 2019
6.8K
提高人类行为意图识别的性能:分析步态识别机器学习算法和与惯性测量单位的最佳组合
Yifan Liu1, Xing Liu1, Zhongyan Wang1
1Tsinghua University, Shenzhen International Graduate School, Shenzhen, 518055, China.
Computers in biology and medicine
|July 10, 2023
概括
这项研究比较了12个机器学习算法用于人类行动意图识别. 轻GBM展示了卓越的性能,优化传感器组合的准确性和效率.
科学领域:
- 计算机科学 计算机科学
- 机器学习 机器学习
- 人与计算机的交互
背景情况:
- 人类行为意图识别对于先进的人机交互至关重要.
- 性能依赖于计算精度,实时响应能力和模型轻度.
- 机器学习算法性能对传感器配置和数据质量都很敏感.
研究的目的:
- 对人类行为意图识别的12个机器学习算法进行比较分析.
- 为了确定最佳的传感器配置 (位置,通道,尺寸) 以提高准确性.
- 通过高效的实验设计,减少实验负担.
主要方法:
- 对12个机器学习算法的比较分析.
- 合成少数超样本技术 (SMOTE) 用于数据平衡的应用.
- 坐标实验设计 (准水平方法) 以减少实验组合.
- 为优化传感器组合进行极差和偏差分析.
主要成果:
- 在识别每天8种人类活动方面,LightGBM显著超过了其他算法.
- 为LightGBM确定了位置,通道和维度的最佳传感器组合.
- 正交实验设计将所需的实验从686个减少到49个.
结论:
- LightGBM是一种高效的算法,用于识别人类行为意图.
- 优化的传感器配置提高了识别准确性和效率.
- 拟议的实验设计方法大大降低了研究成本和时间.

