一种强大的深度特征提取方法用于识别人类活动,使用基于波纹的光谱可视化技术
Nadeem Ahmed1, Md Obaydullah Al Numan2, Raihan Kabir2
1Department of Computer Science and Engineering, University of Asia Pacific, Dhaka 1216, Bangladesh.
Sensors (Basel, Switzerland)
|July 13, 2024
概括
这项研究引入了一种使用可穿戴传感器和深度学习的人类活动识别 (HAR) 的新方法. 该方法通过将传感器数据转换为图像以提取特征,增强智能家居和医疗保健应用,从而实现高精度.
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
- 信号处理 信号处理
背景情况:
- 人类活动识别 (HAR) 对智能家居和医疗保健至关重要,但隐私问题限制了基于视觉的方法.
- 可穿戴式传感器提供了一个保护隐私的替代方案,但从1D数据中提取特征是具有挑战性的.
研究的目的:
- 开发一种用于从1D可穿戴传感器数据中提取深度特征的新方法,以改进 HAR.
- 利用时间频率分析和深度学习来准确有效地识别活动.
主要方法:
- 将1D多传感器数据 (加速计,陀螺仪) 转换为使用连续波束变换 (刻度图) 的光谱图像.
- 使用深度学习模型 (CNN,MobileNetV3,ResNet,GoogleNet) 来从这些光谱图像中提取特征.
- 使用常规分类器 (softmax) 提取特征进行分类的活动.
主要成果:
- 在HAR中实现了高精度:SisFall数据集上的98.4%,PAMAP2数据集上的98.1%.
- 拟议的方法,利用Morlet波段和ResNet-101,超过了现有的最先进的算法.
- 证明了时间频率分析在可穿戴传感器数据中特征提取的有效性.
结论:
- 建议的时间频率分析与深度学习相结合,为基于可穿戴传感器的 HAR 提供了强大而准确的解决方案.
- 这种方法提高了智能环境中的隐私,并对环境辅助生活 (AAL) 有重大影响.
关键词:
在IMU,IMU是IMU.环境辅助生活环境辅助生活分类器分类器是分类器.连续波形变换连续波形变换.深度学习是一种深度学习.人类活动的认可 人类活动的认可惯性传感器 惯性传感器标杆图是指一个标杆图.时间频率分析波形变换波形变换波形变换.可以穿戴的传感器.更多相关视频
08:08Using Wavelet Entropy to Demonstrate how Mindfulness Practice Increases Coordination between Irregular Cerebral and Cardiac Activities
Published on: May 10, 2017
14.7K
06:37Author Spotlight: Addressing Technical and Subjective Challenges in Measuring Classroom Attention
Published on: December 15, 2023
2.7K
