探索使用卷积神经网络基于光电显微镜识别人类活动的可能性
Semin Ryu1,2, Suyeon Yun1,2, Sunghan Lee2
1Department of Artificial Intelligence Convergence, Hallym University, Chuncheon 24252, Republic of Korea.
Sensors (Basel, Switzerland)
|March 13, 2024
概括
这项研究表明,来自可穿戴传感器的光聚光学 (PPG) 信号可以使用深度学习准确地识别五种日常人类活动. 这种方法显示了综合健康和健身监测的潜力.
科学领域:
- 生物医学工程 生物医学工程
- 信号处理 信号处理
- 机器学习 机器学习
背景情况:
- 人类活动识别 (HAR) 研究利用各种传感器,可穿戴的内部传感器由于其简单性而显示出希望.
- 使用可穿戴生物识别信号的现有 HAR 方法,如 ECG 和 PPG,通常依赖于有限的数据集,阻碍实际应用.
- 需要进行广泛的分析与跨主题验证,以推进基于可穿戴的 HAR.
研究的目的:
- 调查使用光电显微镜 (PPG) 信号对常见日常活动进行分类的可行性.
- 开发和评估基于PPG数据的活动识别深度学习模型.
- 为了确定基于PPG的HAR的最佳信号处理窗口大小.
主要方法:
- 收集了40名参与者执行五种不同的日常活动的PPG信号.
- 采用深度学习架构进行活动分类.
- 进行跨主题交叉验证,以评估模型性能,使用准确性,精度,回忆和F1分数.
主要成果:
- 深度学习模型在区分五种活动时,平均测试准确率为95.14%.
- 性能指标 (准确性,精度,回忆,F1得分) 证实了该模型的有效性.
- 通过全面的评估,确定了信号处理的最佳窗口大小.
结论:
- 使用深度学习,PPG信号对实际的人类活动识别非常有效.
- 这种技术在医疗保健和健身应用中提供了综合行为和健康监测的潜力.
- 一个单一的生物识别信号可以同时分析活动和健康数据,为新型应用铺平道路.
