人类活动识别的多层分类器模型XR-KS,用于类似的人类活动问题
Qiancheng Tan1, Yonghui Qin1,2,3, Rui Tang4
1College of Mathematics and Computing Science, Guangxi Colleges and Universities Key Laboratory of Data Analysis and Computation, Guilin University of Electronic Technology, Guilin 541004, China.
Sensors (Basel, Switzerland)
|December 9, 2023
概括
本研究引入了用于人类活动识别的多层分类器,提高了使用传感器数据区分类似活动的准确性. 该模型在基准数据集上展示了强大的性能和概括能力.
科学领域:
- 计算机科学 计算机科学
- 机器学习 机器学习
- 生物医学工程 生物医学工程
背景情况:
- 基于传感器的人类活动识别 (HAR) 是先进的,但难以准确识别类似的活动.
- 在使用传感器数据区分人类行为的微妙变化方面仍然存在挑战.
研究的目的:
- 开发和评估一个新的多层分类器,以加强人类活动的识别,特别针对类似的活动.
- 提高基于传感器的HAR模型的准确性和概括能力.
主要方法:
- 在类似的人类活动中使用三轴加速和陀螺仪传感器收集数据.
- 开发了一个多层分类器:用于特征选择的随机森林与XGBoost,用于特征映射的内核费舍尔区分分析 (KFDA) 和用于分类的支持向量机 (SVM).
- 标准化和规范化数据,以解释固有的行为相似性.
主要成果:
- 在基准数据集上实现了高识别精度:UCI DSA (97.69%),UCI HAR (97.92%),WISDM (98.12%) 和IM-WSHA (90.6%).
- K-fold交叉验证和ROC曲线证实了该模型强大的概括能力.
- 提出的多层次方法有效地解决了分类类似人类活动的挑战.
结论:
- 开发的多层分类器显著提高了基于传感器对类似活动的人类活动识别的准确性.
- 该模型表现出强大的性能和可靠的概括性,使其适合于现实世界的应用.
- 这种方法为克服当前HAR系统的局限性提供了一个有希望的解决方案.
