数据重建方法在多功能融合CNN模型增强人类活动识别的数据重建方法
Jae Eun Ko1, SeungHui Kim1, Jae Ho Sul1
1Department of Regulatory Science for Medical Device, Dongguk University, Seoul 04620, Republic of Korea.
Sensors (Basel, Switzerland)
|February 26, 2025
概括
这项研究引入了一种新的深度学习方法,用于使用加速度计数据识别人类活动 (HAR). 多输入CNN模型通过将数据转换为2D表示来提高准确性和稳定性,简化了数字医疗保健应用程序的特征提取.
科学领域:
- 生物医学工程 生物医学工程
- 机器学习 机器学习
- 信号处理 信号处理
背景情况:
- 人类活动识别 (HAR) 对数字医疗保健至关重要,包括运动监测和老年人护理.
- 使用加速度计数据的传统HAR方法需要大量的预处理,例如降噪和手动特征提取.
- 对于HAR的深度学习模型通常与噪音和从一维加速度计数据中有限的特征提取作斗争.
研究的目的:
- 使用加速度计数据开发一个强大而准确的HAR方法.
- 克服现有的深度学习方法的局限性,包括噪音敏感性和复杂的预处理.
- 通过将时间序列信号转换为2D表示来增强特征提取.
主要方法:
- 提出了一个多输入,二维卷积神经网络 (CNN) 架构.
- 用三种不同的数据重建方法将时间序列信号转换为2D表示.
- 这些重建图像的特征被融合在一起,以提高特征提取能力,在没有复杂的预处理的情况下在定制的HAR数据集上进行验证.
主要成果:
- 拟议的多输入CNN方法显著优于单重建方法和原始一维数据模型.
- 与1D基线相比,准确度,精度和回忆率分别提高了16.64%,13.53%和16.3%.
- 该模型表现出对噪声的优越稳定性,并通过特征融合有效捕获潜在模式.
结论:
- 具有重建数据的多输入CNN为改善人类活动识别提供了有效的策略.
- 这种方法通过简化特征提取提供了实用和高效的解决方案.
- 该方法提高了性能,非常适合用于现实世界的数字医疗保健应用.
