通过注意力增强的TCN-BiGRU融合识别人类活动
Ji-Long He1, Jian-Hong Wang1, Chih-Min Lo2
1School of Computer Science and Technology, Shandong University of Technology, Zibo 255000, China.
Sensors (Basel, Switzerland)
|September 27, 2025
概括
本研究介绍了TGA-HAR模型,用于使用可穿戴传感器进行强大的人类活动识别 (HAR). 该模型有效地提取多个尺度的时间特征,在基准数据集上实现高精度.
科学领域:
- 可穿戴式传感器技术的技术.
- 深度学习用于人类活动识别 (HAR)
背景情况:
- 基于深度学习的HAR面临着在多尺度特征提取和噪声强度方面的挑战.
- 从多源可穿戴传感器数据中有效地提取特征,对于准确识别人类活动至关重要.
研究的目的:
- 为增强人类活动识别提出TGA-HAR模型.
- 为了应对多尺度时间特征提取和在杂多源数据中的稳定性方面的挑战.
主要方法:
- 开发了TGA-HAR模型,集成时间卷积神经网络 (TCN) 和双向门循环单元 (BiGRU).
- 采用扩展卷积的TCN用于多次时间特征提取.
- 用BiGRU进行双向时间上下文相关联和残余连接以实现梯度稳定.
- 整合了自适应加权注意力机制,以增强特征表示.
主要成果:
- 实现了高测试准确度:在WISDM上达到99.37%,在USC-HAD上达到95.36%,在PAMAP2数据集上达到96.96%.
- 在现实世界收集的数据集上证明了稳定性.
- TGA-HAR模型在复杂的人类活动识别方面显示出显著的改进.
结论:
- TGA-HAR模型为使用可穿戴传感器进行复杂的人类活动识别提供了强大而有效的解决方案.
- 层次特征抽象和注意力机制有助于提高性能和稳定性.
