联合学习用于IoMT增强的人类活动识别与混合LSTM-GRU网络

科学领域:

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

背景情况:

• 可穿戴式传感器和移动设备能够识别人类活动 (HAR).
• 对HAR的集中数据处理引发了严重的隐私问题.
• 准确性和隐私的平衡对于现实世界的HAR应用程序至关重要.

研究的目的:

• 提出一个联合的学习框架,以保护隐私,维护人类活动的认可.
• 在分散的环境中增强特征提取和分类准确性.
• 为了解决传统的集中式HAR数据处理中固有的隐私风险.

主要方法:

• 关于分散数据的本地模型培训的联邦平均化.
• 一种混合的长短期内存 (LSTM) 和门式循环单元 (GRU) 模型,用于时间依赖性检测.
• 使用卷积块和用于模式和关系识别的注意力机制的双特征提取.

主要成果:

• 拟议的系统在UCI-HAR,HARTH和HAR7+数据集上取得了卓越的性能.
• 与现有方法相比,证明了高分类准确度和F1分数.
• 验证了框架在分散环境中的隐私保护方面的有效性.

结论:

• 联合学习框架为隐私意识的HAR提供了一个可扩展和可靠的解决方案.
• 结合先进的功能提取与保护隐私的技术,实现强大的实时活动分类.
• 突出了联合学习在推进HAR应用中的变革潜力.