深度卷积神经网络与共生生物体基于搜索的人类活动识别用于认知健康评估
Mohammed Alonazi1, Haya Mesfer Alshahrani2, Fadoua Kouki3
1Department of Information Systems, College of Computer Engineering and Sciences, Prince Sattam bin Abdulaziz University, Al-Kharj 11942, Saudi Arabia.
Biomimetics (Basel, Switzerland)
|November 24, 2023
概括
这项研究引入了一种新的深度学习模型,通过识别人类活动来评估认知健康. 通过深度卷积神经网络-人类活动识别 (SOSDCNN-HAR) 模型的共生生物搜索显示,认知健康评估的准确性有所提高.
科学领域:
- 人工智能的人工智能
- 机器学习 机器学习
- 认知科学 认知科学
背景情况:
- 认知评估对于理解认知衰老和健康至关重要.
- 目前用于现实世界的认知健康评估的方法有限.
- 深度学习和人类活动识别为健康监测提供了有前途的解决方案.
研究的目的:
- 开发一种新的深度学习模型,用于认知健康评估.
- 利用人类活动识别提高认知健康评估的准确性和效率.
主要方法:
- 开发了一个以深度卷积神经网络为基础的人类活动识别 (SOSDCNN-HAR) 模型的共生生物搜索.
- 维纳波器 (WF) 用于消除噪音.
- 采用基于RetinaNet的特征提取器和一个Gated Recurrent Unit (GRU) 分类器.
- 共生生物搜索 (SOS) 优化了超参数,以提高识别效率.
主要成果:
- 该SOSDCNN-HAR模型在认知健康评估中实现了高精度的人类活动识别.
- 该模型与基准数据集的现有方法相比,显示出更高的性能.
- 在Penn Action上获得了86.51%的精度,在NW-UCLA数据集上达到89.50%.
结论:
- 提出的SOSDCNN-HAR模型对于认知健康评估是有效的.
- 深度学习,特别是CNN和RNN,结合优化技术,显著提高认知健康评估.
- 这种方法为现实世界的认知健康监测和研究提供了一个有希望的方向.
