基于稀疏变压器与道注意力机制的人类行为识别
1School of Computer Science and Engineering, Shenyang Jianzhu University, Shenyang, Liaoning, China.
Frontiers in physiology
|November 29, 2023
概括
本研究介绍了一种混合模型,将通道注意力和变压器网络结合起来,用于使用可穿戴传感器进行人类活动识别 (HAR). 这种新方法显著提高了从传感器数据中检测人类行为的准确性.
科学领域:
- 可穿戴式传感器技术的技术.
- 人类行为分析分析 人类行为分析
- 时间序列分析时间序列分析.
背景情况:
- 人类活动识别 (HAR) 对于健康监测和康复至关重要.
- 变压器模型擅长捕捉顺序数据中的长期依赖关系.
- 现有的HAR方法可以通过利用先进的深度学习架构来增强.
研究的目的:
- 为改进基于传感器的 HAR 提出一个混合模型,整合通道注意力和变压器.
- 在人类活动识别任务中增强特征表示能力.
- 评估拟议模型在公共 HAR 数据集上的表现.
主要方法:
- 开发了一种混合深度学习模型,结合了道注意力和变压器架构.
- 利用自我注意力机制来建模传感器数据中的长期依赖性.
- 在三个基准 HAR 数据集上进行了广泛的实验: HARTH,PAMAP2 和 UCI-HAR.
主要成果:
- 实现了高精度:98.10%在HARTH上,97.21%在PAMAP2上,98.82%在UCI-HAR上.
- 与现有最先进的方法相比,表现出优越的性能.
- 从可穿戴传感器数据中准确识别人类活动,验证了该模型的有效性.
结论:
- 拟议的混合通道注意力转换器模型在基于传感器的HAR中提供了显著的改进.
- 这种方法有效地捕获上下文信息,以进行可靠的人类活动识别.
- 该模型代表了健康监测和康复应用的有希望的进步.
