基于卷积神经网络的改进的人类活动识别技术
1Faculty of Computer Science, Electronics, and Telecommunications, AGH University of Science and Technology, Aleja Adama Mickiewicza 30, 30-059, Krakow, Poland. raj@agh.edu.pl.
Scientific reports
|December 19, 2023
概括
本研究引入了一个卷积神经网络 (CNN) 模型,用于使用可穿戴传感器数据识别人类活动 (HAR). 提出的深度学习方法实现了97.20%的准确性,超过了现有方法.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 卷积神经网络 (CNN) 是人工神经网络 (ANN) 的组成部分,广泛应用于计算机视觉和模式识别.
- 计算能力和数据可用性的进步扩大了CNN在各种领域的应用,包括医疗监视.
- 使用可穿戴技术和CNN的人类活动识别 (HAR) 对持续的健康监测至关重要.
研究的目的:
- 综合研究CNN在分类人类活动识别 (HAR) 任务中的应用.
- 介绍CNN从其起源到当前深度学习 (DL) 系统的增强.
- 用传感器数据提出和评估基于CNN的HAR分类模型.
主要方法:
- 开发了一种多层,二维的CNN模型来解释传感器序列数据.
- 该模型旨在捕获与人类活动相关的时间和空间数据.
- 公共可用的WISDM数据集被用于训练和验证HAR分类模型.
主要成果:
- 拟议的CNN模型在HAR分类方面实现了97.20%的高准确率.
- 这种准确性超过了HAR中先前报告的最先进的技术.
- 这项研究证明了深度学习方法在提高HAR准确度方面的有效性.
结论:
- 深度学习方法,特别是CNN,显著提高了人类活动识别的准确性.
- 开发的CNN模型提供了一个强大的解决方案,用于从可穿戴传感器数据分类人类活动.
- 这些发现表明了HAR的更广泛的应用,并突出了该领域未来的研究方向.
