一种混合的TCN-GRU模型,用于使用智能手机惯性信号对人类活动进行分类
Sarmela Raja Sekaran1, Ying Han Pang1, Lim Zheng You1
1Faculty of Information Science and Technology, Multimedia University, Malacca, Malaysia.
PloS one
|August 13, 2024
概括
这项研究引入了一种新的混合时空卷积网络 (TCN) 与门循环单元 (GRU) 模型,用于使用智能手机高效地识别人类活动 (HAR). 轻量级的TCN-GRU模型在从传感器数据中分类人类活动时实现了高精度.
科学领域:
- 计算机科学 计算机科学
- 机器学习 机器学习
- 信号处理 信号处理
背景情况:
- 使用智能设备的人类活动识别 (HAR) 对医疗保健,安全和体育领域的应用至关重要.
- 基于智能手机的HAR因计算效率和用户隐私而受欢迎.
- 深度学习模型擅长HAR的特征提取,但通常需要深度,复杂的架构和大量的计算资源.
研究的目的:
- 为基于智能手机的 HAR 提出一个混合轻量级模型,集成时间卷积网络 (TCN) 和门式循环单元 (GRU).
- 开发一种能够在没有人工特征工程的情况下提取突出的时空特征的模型.
- 为了降低计算成本,同时保持高分类性能.
主要方法:
- 开发了一种混合的TCN-GRU模型,将卷积内核中的扩展纳入,以扩大受体场而不增加参数.
- 在卷积层中使用的短过器较少,以最大限度地减少多余的参数.
- 该模型利用扩展,残留连接和GRU层来有效地建模惯性传感器数据中的长期时间依赖性.
主要成果:
- 拟议的TCN-GRU模型在基准数据集上表现出高准确性:UCI HAR上97.25%,UniMiB SHAR上93.51%.
- 该模型有效地提取了时空特征,并模拟了长期的依赖关系,这对于准确识别人类活动至关重要.
- 混合方法成功地平衡了降低的计算成本与强大的性能.
结论:
- TCN-GRU模型为基于智能手机的人类活动识别提供了有效和高效的解决方案.
- 轻量级架构使其适合在资源有限的智能设备上部署.
- 未来的研究应该专注于验证模型在各种数据集和传感器类型中的通用性.
