一个可训练的开源机器学习加速器活动识别工具箱:深度学习方法

科学领域:

• 人与计算机的互动.
• 生物医学工程 生物医学工程
• 机器学习用于医疗保健

背景情况:

• 当前的活动跟踪器缺乏科学研究所需的准确性和开源性质.
• 现有的运动确定软件对于精确的科学应用是不够的.

研究的目的:

• 开发一个准确,可训练和开源的基于智能手机的活动跟踪工具箱.
• 为了研究应用,创建一个适应新行为的系统.

主要方法:

• 使用了一种半监督的深度学习方法.
• 活动分类是基于加速度计和陀螺仪数据.
• 该模型使用专有和公共数据集进行了训练和验证.

主要成果:

• 人类活动记录器在分类6种不同的行为方面取得了大约87%的准确性.
• 开发的算法表现出优越性,而不是一个尺寸适应的神经架构模型.
• 证实了对采样速度和传感器尺寸变化的稳定性.

结论:

• 人类活动记录器 (HumanActivityRecorder) 为活动跟踪提供了一种多功能,可回收和准确的开源解决方案.
• 该工具箱促进了适应特定的研究行为,并提高了科学研究的重复性.
• 对新数据的持续测试确保了系统的持续实用性和准确性.