基于智能手机加速计数据的混合深度方法来识别学生活动和监测健康状况

科学领域:

• 计算机科学 计算机科学
• 生物医学工程 生物医学工程
• 数据科学数据科学数据科学

背景情况:

• 智能手机传感器,特别是加速度计,越来越多地用于人类活动识别 (HAR).
• 深度学习模型,如长短期记忆 (LSTM) 网络,自动从传感器数据中提取HAR的功能.
• 传统的HAR方法依赖于手工制作的特征,限制了适应动态人类行为的能力.

研究的目的:

• 建议在边缘计算平台上使用智能手机加速度计数据进行学生活动识别和健康监测的特征分析框架.
• 通过解决人类行为的动态性和改进标准LSTM限制来提高HAR性能.
• 为了利用双向LSTM (BiLSTM) 和贝叶斯优化,实现更强大,更准确的HAR系统.

主要方法:

• 利用智能手机加速度计数据进行人类活动识别.
• 实现双向LSTM (BiLSTM) 网络,以贝叶斯优化优化,用于序列处理.
• 采用边缘计算平台进行实时数据处理和分析.

主要成果:

• 拟议的BiLSTM模型在测试的数据集上实现了97.5%的分类准确性.
• 边缘计算方法展示了包括实时处理,减少延迟和增强隐私在内的好处.
• 实验结果证实了拟议方法在现有最先进的方法学上具有优越性.

结论:

• 使用BiLSTM和边缘计算开发的特征分析框架有效地识别了学生的活动,并高精度地监测健康状况.
• 整合BiLSTM和贝叶斯优化解决了标准LSTM的局限性,从而提高了HAR性能.
• 边缘计算平台为实时 HAR 应用提供了可扩展,高效和保护隐私的解决方案.