使用强化学习方法转换可穿戴传感器数据,用于在人类活动识别中进行强有力的特征选择

科学领域:

• 生物医学工程 生物医学工程
• 医疗保健中的人工智能
• 可穿戴式传感器技术

背景情况:

• 智能医疗保健系统越来越依赖身体传感器数据.
• 现有的模型难以处理大型数据集和准确的分类.
• 挑战包括在传感器读数中捕获复杂的时间模式.

研究的目的:

• 开发一个先进的深度强化学习模型,用于增强身体传感器数据分析.
• 提高智能医疗保健活动识别的准确性和稳定性.
• 为了解决当前处理大规模,杂数据集的模型的局限性.

主要方法:

• 利用时间序列数据和生成行为者-批判 (GAC) 深度强化学习技术.
• 集成的周期性生成对抗网络与GAC用于强大的活动建模.
• 采用可穿戴传感器数据收集,通过改善类间差异和减少类内变化来增强特征选择.

主要成果:

• 在活动识别方面实现了高精度,在UCI-HAR数据集上达到98.76%,在运动感应数据集上达到98.84%.
• 与传统的深度学习技术相比,表现优越,特别是在杂的环境中.
• 成功增强可穿戴传感器数据的功能选择,导致更强大的模型.

结论:

• 拟议的深度强化学习方法,集成GAC和循环GAN,在智能医疗数据分析方面取得了重大进展.
• 这种方法从可穿戴传感器数据中提供了准确而强大的活动识别,优于现有技术.
• 这些发现突出了先进人工智能的潜力,以提高智能医疗保健系统的有效性.