人类活动识别算法与生理和惯性信号融合:光聚体,皮肤活动,和加速计

科学领域:

• 生物医学工程 生物医学工程
• 机器学习 机器学习
• 人类活动识别 人类活动识别

背景情况:

• 来自加速度计和陀螺仪的惯性信号是人类活动识别 (HAR) 的标准.
• 以前的研究集中在惯性信号上,对将它们与哈尔的生物信号融合进行了有限的探索.
• 佩戴在手腕上的传感器为收集多式联络数据提供了一个方便的平台.

研究的目的:

• 通过将生物信号 (电皮活动 - EDA,血液体积脉冲 - BVP) 与惯性信号 (加速计 - ACC) 融合,研究 HAR 模型的增强潜力.
• 为了比较基于特征 (随机森林) 和基于图像 (深度学习 - ResNet-18) 机器学习算法的性能.
• 评估基于强度的个人活动和一般化活动组的分类准确性.

主要方法:

• 收集了加速计 (ACC),皮电活动 (EDA) 和血液体积脉冲 (BVP) 数据,这些数据来自在八个常见活动期间的手腕佩戴传感器.
• 采用了两种机器学习方法:在提取的特征上训练的随机森林 (RF) 模型和在光谱图像上训练的深度学习 (DL) 模型 (ResNet-18).
• 评估了单个活动和按强度分组的活动的模型性能,将ACC数据与合并的ACC,EDA和BVP数据进行比较.

主要成果:

• 随机森林分类器在个人和分组活动识别方面表现优于深度学习分类器.
• 与ACC数据结合EDA和BVP信号,与仅ACC数据相比,深度学习分类器的性能显著提高.
• 通过在ACC,EDA和BVP光谱图像组合上训练的DL模型获得了最佳性能,F1得分为69% (个体) 和87% (集体活动). 对于大多数个体活动和低到中等强度的集体活动,观察到显著的改善 (p < 0.05).

结论:

• 将生物信号 (EDA,BVP) 与惯性信号 (ACC) 融合,可以增强基于深度学习的人类活动识别模型.
• 在多式联网数据 (ACC,EDA,BVP) 上训练的深度学习模型表现出卓越的性能,特别是在爬楼梯和骑自行车等复杂活动中.
• 这种多式联机融合方法为提高可穿戴式HAR系统的准确性和稳定性提供了一个有希望的方向.