一个多代理和注意力意识增强的CNN-BiLSTM模型用于人类活动识别,用于增强残疾援助
Mst Alema Khatun1, Mohammad Abu Yousuf1, Taskin Noor Turna2
1Institute of Information Technology, Jahangirnagar University, Savar, Dhaka 1342, Bangladesh.
Diagnostics (Basel, Switzerland)
|March 13, 2025
概括
人工智能 (AI) 通过自动化人类活动识别 (HAR) 增强了辅助技术. 结合深度学习和机器学习的新型组合模型在活动分类中实现了卓越的准确性.
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
- 人类活动识别 人类活动识别
背景情况:
- 人工智能驱动的人类活动识别 (HAR) 对辅助技术至关重要,有助于落检测,康复进展跟踪和个性化运动分析.
- 哈尔的应用扩展到监控,体育分析和医学诊断等行业,突出其广泛的影响.
研究的目的:
- 通过混合深度学习 (DL) 和机器学习 (ML) 方法,提出一种用于识别人类活动的新,准确和自动化战略.
- 开发一个集体模型,Attention-CNN-BiLSTM与选择性ML,以提高活动分类性能.
主要方法:
- 结合DL和ML模型的三阶段特征组合策略.
- 通过选择性ML分类器和注意力机制增强卷积神经网络 (CNN) 和双向长期短期记忆 (BiLSTM).
- 使用公开可用的数据集 (UCI-HAR和WISDM) 进行评估.
主要成果:
- 建议使用选择性ML模型的Attention-CNN-BiLSTM在UCI-HAR数据集上实现了98.75%的优异预测准确度,在WISDM数据集上达到99.58%.
- 整体方法在有效性,准确性和可行性方面超过了CNN,LSTM,CNN-BiLSTM和Attention-CNN-BiLSTM等单个模型.
- 选择了表现最好的ML和DL模型,并将其结合在三个阶段,以获得最佳的特征提取.
结论:
- 开发的综合活动识别系统显示了改善辅助技术的巨大潜力.
- 该系统可以集成到先进的残疾监测和诊断系统中,以实现预测性协助和个性化康复策略.
