一个基于深度神经网络的人类活动识别模型,整合了注意力机制
Feng Xu1, Xuchen Gao2, Weigang Wang3,4
1Department of No-major Physical Education, Zhejiang Gongshang University, 310018, Hangzhou, China.
Scientific reports
|July 3, 2025
概括
本研究介绍了DCAM-Net,这是一种用于人类活动识别 (HAR) 的新型深度学习模型. 使用智能手机传感器数据,DCAM-Net实现了99.03%的准确性,优于现有的方法.
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) 在各个领域至关重要.
- 目前的HAR方法,包括手动特征提取,基于代码书的方法和深度学习,具有固有的局限性.
- 需要先进的HAR模型,这些模型是准确和可概括的.
研究的目的:
- 开发一个新的深度神经网络,DCAM-Net (DeepConvAttentionMLPNet),用于人类活动识别.
- 为了评估DCAM-Net的性能而不依赖于预先训练的模型重量.
- 证明将卷积神经网络 (CNN) 和多层感知器 (MLP) 与 HAR 的注意力机制集成的有效性.
主要方法:
- 开发了DCAM-Net,将CNN和MLP架构与双重注意力机制集成在一起.
- 该模型使用30名参与者的智能手机传感器数据 (加速和陀螺仪) 进行训练和验证.
- 关键的架构组件包括多级特征提取,剩余和跳过连接,停机,批量规范化和AdamW优化器.
主要成果:
- 通过五倍交叉验证,DCAM-Net实现了高平均准确率99.03%.
- 与其他现有HAR模型相比,拟议的模型表现出优越的性能.
- 该研究证实了DCAM-Net在未见的数据上强大的概括能力.
结论:
- DCAM-Net代表了基于深度学习的人类活动识别的重大进步.
- 该模型的架构有效地利用了注意力机制和CNN-MLP集成,以实现高精度.
- 未来的研究应该专注于各种数据集,实时效率和用于实际 HAR 应用的传感器融合.
