创新的双解CNN具有层级智能的时空注意力,用于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
• 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) 对于健康监测至关重要,但传统方法与复杂的传感器数据依赖性作斗争.
• 现有的基于注意力的模型往往过于简化了时间和空间特征,限制了高维交互建模.
• 不充分的特征提取导致在与健康相关的HAR应用中 (如跌落检测) 的性能低于最佳.

研究的目的:

• 引入一个新的框架,CNN-TSFDU-LW,用于增强人类活动识别 (HAR).
• 解传感器数据中的时间和空间依赖性,以获得更精确的特征提取.
• 为了提高HAR模型中的计算效率和内存使用率.

主要方法:

• 开发了时间和空间特征脱单元 (TSFDU),用于并行处理时间和空间特征.
• 实现了分层训练,并使用了本地错误函数来实现独立的CNN层更新.
• 使用与TSFDU机制集成的卷积神经网络 (CNN).

主要成果:

• 在基准数据集 (UCI-HAR,PAMAP2,UNIMIB-SHAR,USC-HAD) 上,与最先进的方法相比,准确度提高了0.9%至4.19%.
• 证明了高准确率: 97.90% (UCI-HAR),94.34% (PAMAP2),78.90% (UNIMIB-SHAR) 和94.71% (USC-HAD). 它们的准确率是非常高的.
• 减少计算复杂性和内存要求,而不会降低性能.

结论:

• 通过提高准确性和效率,CNN-TSFDU-LW框架显著提升了基于传感器的HAR.
• 解脱时间和空间特征导致更丰富的表示和更好的性能.
• 该模型显示了通过更有效地改善健康监测系统的巨大潜力.