人类活动识别利用优化注意力诱导多头卷积神经网络与移动网络V1从移动健康数据
1Department of Electronics and Communication Engineering, Meenakshi College of Engineering, Chennai, India.
Network (Bristol, England)
|December 17, 2024
概括
一个新的人类活动识别 (HAR) 系统,HAR-AMCNN-MNV1,使用优化的注意力诱导多头卷积神经网络 (AMCNN) 与移动网络V1进行改进的移动健康数据分析.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 人类活动识别 (HAR) 系统对于智能家居环境至关重要,有助于娱乐和监控.
- 现有的HAR系统在准确标签和减少错误方面面临挑战.
研究的目的:
- 提出一个优化的人类活动识别系统 (HAR-AMCNN-MNV1),使用带有注意力的多头卷积神经网络 (AMCNN) 与移动网络 V1.
- 从移动健康数据提升人类活动分类的准确性和效率.
主要方法:
- 使用MHEALTH和UCI HAR数据集进行数据收集.
- 使用神经光谱空间过 (NSF) 进行准确的标记和减少错误.
- 应用变化密度峰集群算法 (VDPCA) 用于数据细分.
- 利用注意力诱导的多头卷积神经网络与移动网络V1 (AMCNN-MNV1) 进行特征提取和分类.
- 使用西伯利亚老虎优化算法 (STOA) 优化了AMCNN-MNV1分类器的重量.
主要成果:
- 与现有方法相比,HAR-AMCNN-MNV1系统在准确性,精度和回忆方面取得了显著的改进.
- 在分类广泛的人类活动方面表现出卓越的表现,包括坐着,走路,慢跑,跑步和骑自行车.
- 与基线方法相比,实现了更高的准确性 (21.19-23.45%),精度 (31.15-24.65%),和回忆 (21.15-21.28%).
结论:
- 拟议的HAR-AMCNN-MNV1系统为使用移动健康数据识别人类活动提供了强大而准确的解决方案.
- 整合AMCNN-MNV1和STOA提供了一种有效的方法来提高HAR系统的性能.
- 这项研究有助于在智能环境中推进智能监控系统.
