彻底改变健康监测:集成变压器模型与多头注意力,以使用可穿戴设备精确识别人类活动

科学领域:

• 人工智能的人工智能
• 生物医学工程 生物医学工程
• 计算机科学 计算机科学

背景情况:

• 日常活动对身体和精神健康至关重要.
• 可穿戴设备对于监控日常活动和促进健康生活方式至关重要.
• 卷积神经网络 (CNN) 是有前途的,但在快速适应各种活动方面存在困难.

研究的目的:

• 开发一个精确的人类活动识别 (HAR) 模型.
• 整合具有多头注意力的变压器模型,以增强HAR.
• 通过使用可穿戴设备精确识别活动来彻底改变健康监测.

主要方法:

• 在光谱图数据上使用深度学习开发了一个HAR算法.
• 雇佣了一个经过预训练的CNN (MobileNetV2) 进行特征提取.
• 使用密集的残留变压器网络 (DRTN) 具有多头多层次注意力 (MH-MLA) 进行时间模式捕获.

主要成果:

• 集成的CNN变压器模型实现了高精度:92.81% (HARTH),97.98% (KU-HAR) 和95.32% (HuGaDB).
• 该系统在识别各种数据集中的动态人类活动方面表现出卓越的表现.
• 多种方法的整合有效地捕捉了微妙的人类活动.

结论:

• 持续的日常活动对于整体健康和福祉至关重要.
• 可穿戴设备简化了对健康生活方式的日常工作的监控.
• 将CNN与DRTN和MH-MLA相结合的新方法提高了人类活动识别能力.