简单的启发式特征在传感器定向和位置问题中的有效性在人类活动识别中使用单个智能手机加速度计
Arnab Barua1, Xianta Jiang2, Daniel Fuller3
1Department of Computer Science, Faculty of Science, Memorial University of Newfoundland, St. John's, A1B 1V6, Canada.
Biomedical engineering online
|February 17, 2024
概括
简单的启发式功能有效地解决了人类活动识别 (HAR) 中的传感器定位挑战. 进一步开发可以改善传感器放置问题的解决方案,特别是在高强度活动中.
科学领域:
- 人类活动识别 (HAR)
- 传感器信号处理处理
- 对于可穿戴设备的机器学习
背景情况:
- 对于HAR的智能手机传感器数据受到传感器定向和位置变化的阻碍.
- 方向和位置的变化会改变特定活动的传感器信号.
- 定向和位置不变的特性通过最小化信号变化提供了一个解决方案.
研究的目的:
- 评估四个简单的启发式特征在解决HAR中的传感器定位和放置问题的有效性.
- 在大型数据集上使用这些启发式特征评估1D-CNN-LSTM模型的性能.
主要方法:
- 收集了42名参与者在不同强度的6项日常活动 (3,5,7 MET) 中的加速计数据.
- 用智能手机在三个位置记录数据:口袋,背包和手.
- 提取了简单的启发式特征,并训练/测试了一个1D-CNN-LSTM模型.
主要成果:
- 在位置内评估 (训练和测试时相同的传感器位置) 中获得了70-73%的准确性.
- 在位置间评估 (不同传感器位置) 中获得了59-69%的准确性.
- 启发式特征在识别高强度活动方面表现得更有效.
结论:
- 简单的启发性特征有效地减轻了HAR中的传感器定位问题.
- 将启发式特征与以放置为重点的方法相结合,可以提高传感器放置问题的性能.
- 启发式特征在识别高强度活动方面表现出更高的有效性.
