深度学习在日常生活活动的识别使用智能手表数据

科学领域:

• 计算机科学 计算机科学
• 人工智能的人工智能
• 可穿戴技术可穿戴技术

背景情况:

• 使用智能手表等可穿戴设备的人类活动识别 (HAR) 是计算机科学中的一个不断发展的领域.
• 了解日常活动为个人行为和健康提供了宝贵的见解.

研究的目的:

• 为了比较评估认知日常生活活动 (ADL) 的深度学习技术.
• 从智能手表数据中确定HAR最有效的深度学习架构.

主要方法:

• 一项文献综述绘制了现有的HAR技术.
• 在数据集上选择和评估了三种深度学习技术.
• 使用标准指标评估性能:准确性,精度,回忆和F1分数.

主要成果:

• 在ADL识别方面,DeepConvLSTM架构表现出了卓越的性能.
• 这种架构将反复卷积层与单个LSTM层集成在一起.

结论:

• 在现实世界应用中,DeepConvLSTM对准确的HAR显著有前途.
• 利用这种架构的软件可以增强智能手表用户对移动模式的理解.