对LSTM模型进行比较分析,以帮助注意力和挤压和激发块进行活动识别
1Kuwait College of Science and Technology, Doha District, Kuwait.
Scientific reports
|January 31, 2025
概括
本研究介绍了一种增强的人类活动识别 (HAR) 模型,使用具有注意力和挤压激发块的LSTM. 这种新的方法实现了99%的准确性,提高了性能,并减少了现实应用的复杂性.
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) 对医疗保健和智能环境至关重要.
- 基于传感器的HAR提供了一种非侵入性的方法,但面临着数据变化,不平衡的数据集和计算复杂性等挑战.
- 由于这些固有的局限性,现有的方法与现实世界的应用程序性能作斗争.
研究的目的:
- 提出一个先进的人类活动识别 (HAR) 模型.
- 用注意力和挤压激发机制来增强长期短期记忆 (LSTM) 网络.
- 为了提高精度和降低基于传感器的HAR系统的计算负载.
主要方法:
- 开发了一个基于LSTM的HAR模型,其中包含了注意力机制,用于对输入序列的动态聚焦.
- 集成的挤压和激发块来重新校准通道智能的特征重要性.
- 对活动识别任务的传感器数据评估模型的性能.
主要成果:
- 拟议的模型在识别各种人类活动方面实现了99%的准确率.
- 整合注意力和挤压激发机制显著提高了模型处理复杂和不平衡数据集的能力.
- 与现有的LSTM模型相比,对比分析表明精确度更高,计算复杂性更低.
结论:
- 基于LSTM的 HAR 模型有效地解决了基于传感器的活动识别方面的关键挑战.
- 拟议的架构为现实世界HAR应用提供了强大而高效的解决方案.
- 这种方法在该领域取得了重大进展,使得人类活动的监测更加准确和计算可行.
