一个平行CNN架构用于基于最小运动数据的体育活动识别

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
• 人工智能的人工智能

背景情况:

• 使用传感器的人类活动识别 (HAR) 正在迅速发展.
• 人工智能越来越多地应用于复杂的科学研究问题.
• 准确的体育活动识别对所有年龄组都有好处.

研究的目的:

• 提出一种新的方法,利用运动传感器数据对体育活动进行分类.
• 利用并行卷积神经网络 (CNN) 和机器学习来增强 HAR.
• 为了提高体育活动分类的精度.

主要方法:

• 数据预处理和传感器数据的规范化.
• 使用离散波形变换 (DWT) 和短时间里埃变换 (STFT) 来提取特征.
• 运动特征提取的并行CNN模型,其次是随机森林分类.

主要成果:

• 拟议的方法在DSADS数据集上实现了99.61%的平均精度.
• 平行CNN有效地从各种信号表示中构建了运动特征.
• 随机森林分类准确地识别了基于合并特征的体育活动.

结论:

• 新的HAR方法在体育活动分类方面表现出了很高的有效性.
• 平行CNN和机器学习方法为运动传感器数据分析提供了强大的解决方案.
• 这种技术对未来人工智能驱动的科学研究和应用有潜力.