使用图表在智能家居中执行有效的基于传感器的人类活动识别

科学领域:

• 计算机科学 计算机科学
• 人工智能的人工智能
• 无处不在的计算 无处不在的计算

背景情况:

• 人类活动识别 (HAR) 对智能家居,环境智能和辅助生活至关重要.
• 现有的HAR系统面临着数据变化,稀疏性和噪声等挑战.
• 当前最先进的HAR方法需要预先对传感器数据进行细分,从而限制了现实世界的部署.

研究的目的:

• 为智能家居中的 HAR 提出一种新的图形引导的神经网络方法.
• 为了克服现有的HAR系统中预细分的局限性.
• 为了实现连续传感器数据流的自动分析,而无需人工干预.

主要方法:

• 开发了一个以图形指导的神经网络,可以学习传感器之间的明确协同发射关系.
• 利用数据驱动的方法来学习表达式图形结构,代表智能家居传感器网络.
• 采用注意力机制和节点嵌入的层次聚合,将离散的传感器测量映射到特征空间.

主要成果:

• 拟议的图形引导神经网络在CASAS数据集上显著优于最先进的HAR方法.
• 在多个数据集中展示了卓越的性能,表明了稳定性和有效性.
• 与现有方法相比,取得了很大的改进空间.

结论:

• 这种新型的图形引导神经网络有效地执行HAR,而不需要预先对传感器数据进行细分.
• 这种方法提高了HAR系统在现实世界智能家居环境中的实际适用性.
• 这些发现代表了迈向更自主和可靠的智能家居技术的重要一步.