使用多层卷积神经网络检测人类活动
Essam Abdellatef1, Rasha M Al-Makhlasawy2, Wafaa A Shalaby3
1Department of Electrical Engineering, Faculty of Engineering, Sinai University, El-Arish, 45511, Egypt.
Scientific reports
|February 27, 2025
概括
这项研究介绍了HARCNN,一种新的卷积神经网络 (CNN) 模型,用于使用传感器数据进行强大的人类活动识别 (HAR). 哈尔通过有效提取空间和时间特征,在各种数据集中实现高精度.
科学领域:
- * 人类活动识别 (HAR)
- * 机器学习 * 机器学习
- * 传感器数据分析
背景情况:
- * 人类活动识别 (HAR) 对医疗保健,体育和人机交互至关重要.
- * 哈尔的挑战包括通过来自加速度计和陀螺仪的杂传感器数据实现高精度和稳定性.
- *现有的方法往往难以应对原始传感器数据的复杂性.
研究的目的:
- * 介绍HARCNN,一种新的卷积神经网络 (CNN) 方法,用于增强人类活动识别 (HAR).
- *利用来自原始传感器数据的层次空间和时间特征提取来提高性能.
- *与现有技术相比,为了证明HARCNN的稳定性和准确性.
主要方法:
- * HARCNN的开发,这是一个具有10个卷积块 (ConvBlk) 的CNN模型.
- * 每个ConvBlk集成了卷积层,ReLU激活和批量正常化.
- * 通过深度连接将特定块 (ConvBlk_3/4, 6/7, 9/10) 的输出合并,然后进行最大共享.
主要成果:
- * HARCNN 在多个数据集上实现了高精度:UCI-HAR (97.87%),KU-HAR (99.12%),WISDM (96.58%) 和HMDB51 (98.51%).
- * 该模型在各种窗口大小 (50ms到2s) 中表现出强性,在200ms处表现最佳.
- *与传统的CNN和最先进的方法相比,在最小化虚假阳性和虚假阴性方面取得了显著的改进.
结论:
- * HARCNN有效地提取分层空间和时间特征,以实现更高水平的人类活动识别.
- * 拟议的模型为HAR提供了强大而准确的解决方案,可适应各种现实应用.
- *HARCNN的表现突显了其在可靠的人类活动监控和交互系统方面的潜力.
