深波波形卷积神经网络用于使用可穿戴惯性传感器识别多模式的人类活动

科学领域:

• 可穿戴系统和传感器技术.
• 机器学习用于人类活动识别 (HAR).
• 信号处理和深度学习.

背景情况:

• 可穿戴的惯性传感器 (加速计,陀螺仪) 是紧的,准确的,多式.
• 多模式HAR方法利用传感器数据,但往往缺乏领域知识或无法捕获时间频率信号依赖性.
• 现有的方法在复杂的多式联络传感器信号分析中扎.

研究的目的:

• 提出一种新的深波波形卷积神经网络 (DWCNN),用于增强多式模式的人类活动识别.
• 有效地学习多模式传感器信号的时频域的特征.
• 为了提高基于可穿戴惯性传感器的HAR任务的精度和特征表示.

主要方法:

• 开发了深波波形卷积神经网络 (DWCNN),将连续波形变换 (CWT) 与深波卷积神经网络 (DCNN) 集成在一起.
• 提出了一个算法来估计波纹尺度参数,以优化CWT性能.
• 利用DCNN与剩余和注意力块进行特征提取和多式联络信号融合.

主要成果:

• 在五个基准HAR数据集 (WISDM,UCI-HAR,异质,PAMAP2,UniMiB SHAR) 上进行了广泛的实验.
• 拟议的DWCNN模型与现有的HAR方法相比,表现出优越的性能.
• 通过捕获多模式传感器信号中的时间频率依赖性来实现增强的特征表示.

结论:

• 通过使用可穿戴惯性传感器,DWCNN在多式联运人类活动识别方面取得了重大进展.
• 集成CWT和DCNN有效地解决了以前HAR方法的局限性.
• 该方法显示了对现实世界应用的巨大潜力,需要从传感器数据中准确识别活动.