MAG-Res2Net:一个新的深度学习网络,用于识别人类活动.
Hanyu Liu1, Boyang Zhao1, Chubo Dai1
1College of Medicine and Biological Information Engineering, Northeastern University, Shenyang 110819, People's Republic of China.
Physiological measurement
|November 8, 2023
概括
本研究介绍了MAG-Res2Net,这是一种用于人类活动识别 (HAR) 的新型深度学习模型. 该模型增强了特征提取,并在基准数据集上实现了卓越的性能,提高了HAR的准确性和效率.
科学领域:
- 计算机科学 计算机科学
- 生物医学工程 生物医学工程
- 机器学习 机器学习
背景情况:
- 人类活动识别 (HAR) 对医疗保健,体育和健身应用至关重要.
- 当前的深度学习 HAR 方法在各种活动和数据质量方面存在困难,阻碍了特征提取.
- 哈尔的挑战包括活动的变化和数据的缺陷,影响模型的准确性.
研究的目的:
- 开发一个先进的神经网络模型,MAG-Res2Net,以改进人类活动识别.
- 解决 HAR.中各种活动和数据质量问题造成的特征提取局限性.
- 通过新的算法集成来提高HAR模型性能和训练效率.
主要方法:
- 拟议的MAG-Res2Net模型整合了Borderline-SMOTE,基于度量学习的损失组合和Lion优化.
- 对UCI-HAR和WISDM公共数据集进行评估,以进行性能比较.
- 与使用CSL-SHARE多式联运数据集的最新模型进行比较.
主要成果:
- 在UCI-HAR上获得了94.44%的准确性,94.38%的F1-宏和94.26%的F1-加权.
- 在WISDM上获得了98.32%的精度,97.26%的F1-宏和98.42%的F1-加权.
- 与现有的HAR网络相比,已经证明了强大的多式联运性能,优越的评估指标和培训效率.
结论:
- MAG-Res2Net具有强大的多式联通HAR功能,单个模块可以提高整体性能.
- 拟议的模型在准确性和训练效率上都优于当前的哈尔神经网络.
- MAG-Res2Net模型在人类活动识别技术方面取得了重大进展.
