基于人工智能模型的可穿戴传感器用于识别人类活动

科学领域:

• 生物医学工程 生物医学工程
• 机器学习 机器学习
• 可穿戴技术可穿戴技术

背景情况:

• 人类运动检测对于医学,医疗保健和体育炼应用至关重要.
• 现有的方法面临着各种传感器数据形状的挑战,并实现高精度.
• 卷积神经网络 (CNN) 提供了在传感器数据中复杂的模式识别的潜力.

研究的目的:

• 开发一种新的人类活动识别 (HAR) 系统,使用针对单个传感器类型量身定制的CNN.
• 通过有效地处理来自加速度计,陀螺仪和气压计的各种数据形状来提高HAR的准确性.
• 将拟议的基于CNN的方法与标准支持向量机 (SVM) 分类器的性能进行比较.

主要方法:

• 针对每个传感器类型 (加速计,陀螺仪,气压计) 设计了个别的CNN模型,以捕捉传感器特定的特征.
• 使用后期融合技术,将来自单个CNN模型的预测结合起来,以进行全面的活动分类.
• 拟议的CNN方法与传统的SVM分类器进行了基准测试,使用一个对其他方法.

主要成果:

• 晚期融合的CNN模型实现了显著更高的准确性,验证准确率为99.35%,最终测试准确率为94.83%.
• 传统的SVM分类器的准确度较低,达到87.07% (验证) 和83.10% (最终测试).
• 结合多个传感器,气压计和过算法,明显改善了人类运动模式识别.

结论:

• 拟议的基于CNN的HAR方法,利用传感器特定的模型和晚期融合,大大优于传统方法.
• 根据单个传感器数据特征定制CNN架构是提高HAR准确性的关键.
• 这种先进的技术为各种应用中精确检测人类运动提供了一个有希望的解决方案.