可穿戴式基于传感器的残余多功能融合收缩网络用于人类活动识别
Fancheng Zeng1, Mian Guo1, Long Tan1
1School of Electronics and Information, Guangdong Polytechnic Normal University, Guangzhou 510660, China.
Sensors (Basel, Switzerland)
|February 10, 2024
概括
一个新的深度学习模型,剩余多功能融合收缩网络 (RMFSN),通过可穿戴传感器增强人类活动识别 (HAR). 这种先进的HAR方法以更少的参数实现了高精度,改善了医疗保健和人机交互中的应用.
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:
- 可穿戴式传感器对于低成本的人类活动识别 (HAR) 是至关重要的.
- 深度学习擅长从传感器数据中提取 HAR 的特征.
- 识别时间人类活动需要专门的深度学习网络,以提高准确性.
研究的目的:
- 提出一种新的深度学习网络,即残余多特征聚变收缩网络 (RMFSN),用于增强HAR.
- 通过使用可穿戴传感器数据,提高时间连续人类活动的识别精度.
- 与现有方法相比,开发一个模型,以较少的参数实现高精度.
主要方法:
- 拟议的RMFSN是一个改进的剩余网络,包含一个多分支框架,一个频道注意力缩小块 (CASB) 和一个分类器.
- 多分支框架使用1D-CNN,一个时间注意力机制,以及多规模的特征提取来捕捉各种活动特征.
- CASB自动选择关键特征,分类器网络提供最终识别结果.
主要成果:
- 在公共数据集上,RMFSN实现了高准确度:98.13%在UCI-HAR上,98.35%在WISDM上,93.89%在OPPORTUNITY上.
- 拟议的RMFSN与现有的先进方法相比,显示出更高的准确性.
- 在RMFSN需要较少的模型参数比比较先进的方法.
结论:
- RMFSN有效地从可穿戴传感器数据中识别人类活动.
- 拟议的网络为医疗保健和人机交互中的先进 HAR 应用提供了一个有前途的方法.
- RMFSN提供了高精度和模型效率的平衡.
