EO-LGBM-HAR:一种用于人类活动识别的新元启发式混合模型
Elif Kevser Topuz1, Yasin Kaya2
1Department of Computer Engineering, Adana Alparslan Türkeş Science and Technology University, Adana, Turkey.
Computers in biology and medicine
|March 18, 2025
概括
这项研究介绍了EO-LGBM-HAR,这是人类活动识别 (HAR) 的新方法,可以优化传感器数据特征. 这种方法显著提高了HAR模型的准确性,特别是对于资源有限的设备.
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:
- 基于传感器的人类活动识别 (HAR) 对智能健康,安全和智能家居至关重要.
- 管理HAR模型中的众多功能增加了计算复杂性和资源需求,特别是在边缘设备上.
研究的目的:
- 为了应对基于传感器的HAR的特征管理挑战.
- 提出一种新的混合方法,EO-LGBM-HAR,以实现有效和强大的人类活动识别.
主要方法:
- 开发了一个混合模型,将平衡优化器 (EO) 结合为特征优化和LightGBM (LGBM) 分类器.
- 采用基于元启发的特征优化技术来增强模型训练和评估.
- 使用UCI-HAR和WISDM基准数据集验证模型.
主要成果:
- 在基准数据集上实现了高精度:98.72%在UCI-HAR上和95.39%在WISDM上.
- 证明了EO-LGBM-HAR模型在处理特征复杂性的有效性.
- 展示了该模型在基于传感器的HAR应用中的强度和效率.
结论:
- EO-LGBM-HAR模型为高效准确的人类活动识别提供了一个有希望的解决方案.
- 使用像EO这样的元启发式方法来优化特征,可以有效地提高HAR模型的性能.
- 拟议的方法适用于需要在资源有限的设备上可靠的HAR的应用.
