可穿戴式基于传感器的人类活动识别:动态神经网络的性能和可解释性
Dalius Navakauskas1, Martynas Dumpis1
1Department of Electronic Systems, Vilnius Gediminas Technical University, Plytines g. 25-234, LT-10105 Vilnius, Lithuania.
Sensors (Basel, Switzerland)
|July 30, 2025
概括
这项研究比较了使用可穿戴传感器识别人类活动 (HAR) 的动态神经网络. 长短期内存 (LSTM) 网络实现了最高的准确性,为HAR应用提供了性能和可解释性之间的平衡.
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
- 可穿戴技术可穿戴技术
背景情况:
- 人类活动识别 (HAR) 对医疗保健,康复和智能监测至关重要.
- 可穿戴传感器数据为HAR提供了丰富的来源,但选择合适的神经网络架构是关键.
- 动态神经网络对HAR来说是有前途的,因为它们能够建模时间依赖.
研究的目的:
- 系统地比较HAR的三个动态神经网络架构的性能,计算成本和可解释性.
- 评估有限冲动响应神经网络 (FIRNN),长期短期记忆 (LSTM) 和门式循环单元 (GRU) 的 HAR 任务.
- 应用层级相关性传播 (LRP) 来提高基于可穿戴传感器的模型透明度.
主要方法:
- 为FIRNN,LSTM和GRU训练了16500个模型,跨越不同的延迟长度和隐藏的神经元数量.
- 基于分类准确性,计算复杂性和可解释性的评估模型.
- 使用分层相关性传播 (LRP) 来分析特征重要性和模型透明度.
主要成果:
- LSTM获得了最高的分类准确率 (98.76%),其次是GRU (97.33%) 和FIRNN (95.74%).
- FIRNN展示了最低的计算复杂度.
- 在LRP分析中,陀螺仪Y轴被认为是传感器数据中信息最丰富的,而加速仪Y轴信息最少;GRU显示的相关性分布比FIRNN更广泛.
结论:
- 与FIRNN相比,LSTM和GRU为基于可穿戴传感器的 HAR 提供了更高的精度.
- FIRNN提供了计算效率,使其适用于资源有限的环境.
- 该研究提供了关于在可解释的HAR模型中平衡性能,复杂性和可解释性的实际指导.
