基于IMU的健身活动识别使用CNNs进行时间序列分类
Philipp Niklas Müller1, Alexander Josef Müller1, Philipp Achenbach1
1Serious Games Group, Technical University of Darmstadt, 64289 Darmstadt, Germany.
Sensors (Basel, Switzerland)
|February 10, 2024
概括
卷积神经网络 (CNN) 显示出使用惯性测量单位 (IMU) 的移动健身活动识别 (FAR) 的前景. 选择性移除传感器改善了CNN的性能,新型调量-FCN实现了99.86%的准确性.
科学领域:
- 计算机科学 计算机科学
- 生物医学工程 生物医学工程
- 机器学习 机器学习
背景情况:
- 移动健身应用程序依赖于通过惯性测量单元 (IMU) 准确的活动跟踪.
- 卷积神经网络 (CNN) 在时间序列分类方面表现出色,但由于数据稀缺和活动相似性,在健身活动识别 (FAR) 中面临挑战.
- 人类活动识别 (HAR) 任务通常使用传统的机器学习 (ML) 方法.
研究的目的:
- 使用IMU数据评估CNN对健身活动识别 (FAR) 的有效性.
- 确定输入数据大小和传感器数量对FAR中CNN性能的影响.
- 将CNN的性能与FAR的传统ML方法进行比较.
主要方法:
- 调整了三种现有的CNN架构,并为FAR开发了一种新的Scaling-FCN.
- 实施了预处理管道,并从20名参与者那里收集了运行练习数据集.
- 在收集的数据集上评估了四个CNN和三种传统的ML方法 (包括支持矢量机 - SVM).
主要成果:
- 所有的CNN架构都实现了超过94%的测试准确度.
- 传统的ML方法,特别是SVM,在默认场景中表现优于CNN (99.00 ± 0.34%准确度).
- 减少传感器提高了CNN性能,使用单脚传感器,缩放FCN达到99.86 ± 0.11%的准确性.
结论:
- CNNs适合使用IMU数据进行健身活动识别 (FAR).
- 选择性传感器减少可以显著提高CNN在FAR的性能.
- 传统的ML方法仍然具有竞争力,尤其是在充足,有利的输入数据的情况下.
