通过机器学习增强人类活动识别:智能手机加速度计和磁力计数据的见解
Luis Augusto Silva Zendron1, Paulo Jorge Coelho2,3, Christophe Soares4,5
1Department of Computer Science and Automation, Universidad de Salamanca, Salamanca, Spain.
PeerJ. Computer science
|September 24, 2025
概括
这项研究使用智能手机传感器和机器学习来增强人类活动识别 (HAR). 新的方法实现了高精度,使HAR高效,可在移动设备上部署.
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) 由于传感器和人工智能的进步,已经取得了重大进展.
- 以前的研究使用智能手机传感器数据确定了HAR的基线结果.
研究的目的:
- 实施和评估各种机器学习技术,以改善 HAR.
- 在现有 HAR 数据集上分析神经网络,随机森林和其他模型的有效性.
主要方法:
- 从智能手机传感器收集数据,然后进行清洁和正常化.
- 功能提取和实施各种机器学习模型,包括神经网络和随机森林.
- 利用非规范化数据和集成磁力计信号来提高性能.
主要成果:
- 神经网络和随机森林模型显示出高效率.
- 实现曲线下的面积 (AUC) 为98.42%,分类准确率为90.14%,F1得分为90.13%,精度为90.18%,回忆率为90.14%.
- 性能优于早期的模型,计算成本降低,可与深度学习方法相比较.
结论:
- 开发的方法是新的,高效的,适合实时移动应用.
- 轻量级模型和可重复的视觉工作流程提高了部署能力.
- 非规范化数据和磁力计信号的整合提高了HAR的性能.
