在环境辅助生活中开发加权剩余RNN模型与混合启发式算法用于运动识别框架

科学领域:

• 医疗保健技术 技术 医疗保健 技术
• 人工智能的人工智能
• 老年学是一门学科.

背景情况:

• 环境辅助生活 (AAL) 系统对老年人和残疾人至关重要,提供安全和协助.
• 在AAL中,运动认可是确保独立和安全生活至关重要的新兴领域.
• 目前的系统需要先进的方法来准确和可靠地检测人类运动.

研究的目的:

• 为环境辅助生活 (AAL) 应用开发一个智能和自动运动识别系统.
• 通过精确的运动分析,加强对老年人和残疾人的医疗保健援助.
• 提出一种与混合优化算法集成的新型深度学习模型,以获得卓越的性能.

主要方法:

• 使用卷积自动编码器从输入数据中提取深度特征.
• 开发了一个加权剩余循环神经网络 (RRNN) 作为核心运动识别模型.
• 采用了使用Coati优化算法的混合老鼠群来优化RRNN模型重量,以改善训练和测试.

主要成果:

• 拟议的系统在系统性能和准确性方面取得了显著的改进.
• 实验验证证了该策略在识别人类运动方面的有效性.
• 优化的深度学习模型实现了标准和可靠的结果.

结论:

• 开发的运动识别系统有效地支持环境辅助生活目标.
• 深度学习和混合优化的整合为医疗保健应用提供了有前途的方法.
• 该系统在运动识别方面的准确性可以大大帮助提供及时的医疗援助.