使用多式传感和时空机器学习架构的增强家庭内人类活动识别
概括
这项研究引入了一个先进的人类活动识别 (HAR) 框架,使用多式联络传感器数据和时空机器学习. 增强的系统准确地检测日常活动,改进智能环境应用程序.
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) 对智能环境至关重要.
- 现有的HAR系统经常与复杂的时间动态和多式联络数据集成作斗争.
- 可穿戴传感器和实时定位系统 (RTLS) 为HAR提供了丰富的数据.
研究的目的:
- 利用先进的机器学习模型开发一个增强的HAR框架.
- 利用多式联网传感器数据,特别是可穿戴腕带和RTLS.
- 提高在家庭环境中检测人类活动的准确性和稳定性.
主要方法:
- 开发了一个空间时空机器学习模型,结合了卷积神经网络 (CNN),双向长期短期记忆 (BiLSTM) 和神经结构学习 (NSL).
- 采用传感器融合技术,整合来自惯性测量单元 (IMU) 和RTLS的数据.
- 与传统的机器学习基线 (例如,随机森林,支持矢量机器) 进行比较.
主要成果:
- 拟议的时空模型显著超过了传统的机器学习基线模型.
- IMU和RTLS数据的传感器融合实现了86.21%的准确性和87.40%的F1得分,用于日常日常活动.
- 与融合方法相比,单个传感器模式的性能较低.
结论:
- 增强的HAR框架在识别人类活动方面表现出卓越的表现.
- 传感器融合对于在复杂环境中提高HAR精度是非常有效的.
- 开发的系统在老年护理,智能家居和医疗监测等领域有很大的应用潜力.
