基于自我注意的深度卷积LSTM框架用于基于传感器的羽毛球活动识别
Jingyang Deng1, Shuyi Zhang1, Jinwen Ma1
1School of Mathematical Sciences and LMAM, Peking University, Beijing 100871, China.
Sensors (Basel, Switzerland)
|October 28, 2023
概括
这项研究引入了一个新的深度学习框架,用于基于传感器的羽毛球活动识别. 拟议的模型通过有效地从传感器数据中学习特征来实现高精度,优于现有方法.
科学领域:
- 人工智能的人工智能
- 机器学习 机器学习
- 可穿戴式传感器技术
背景情况:
- 使用传感器识别人类活动正在推进人工智能.
- 由于特征提取困难,识别像羽毛球这样的复杂活动具有挑战性.
- 目前的卷积神经网络 (CNN) 方法与时间数据和全球信号理解扎.
研究的目的:
- 开发一个先进的深度学习框架,用于基于传感器的羽毛球活动识别.
- 解决现有的基于CNN的方法在捕捉时间动态和综合信号特征方面的局限性.
- 提高从传感器数据识别复杂的人类活动的准确性和效率.
主要方法:
- 提出了一个深度学习框架,集成卷积层,长短期记忆 (LSTM) 结构和自我注意力机制.
- 该框架自动提取时间域中的本地传感器信号特征.
- 利用LSTM处理羽毛球活动数据和自我注意力,以专注于重要信息.
主要成果:
- 在使用单个传感器数据集识别37项羽毛球活动时,获得了97.83%的准确性.
- 与现有的基于传感器的羽毛球活动识别方法相比,表现出卓越的性能.
- 在减少培训时间和更快的融合方面展示了优势.
结论:
- 拟议的深度学习框架有效地从传感器数据中识别复杂的羽毛球活动.
- 结合CNN,LSTM和自我注意力,克服了传统方法的局限性.
- 这种方法为基于传感器的活动识别提供了更准确,更有效和更快的解决方案.
