适应性时间注意力机制和混合深度CNN模型用于可穿戴式基于传感器的人类活动识别
1School of Mathematics and Computer Science, Ningxia Normal University, Guyuan, Ningxia, 756099, China.
Scientific reports
|September 29, 2025
概括
这项研究引入了一种新的混合深度学习模型,用于使用可穿戴传感器识别人类活动. CNNd-TAm模型在识别复杂活动方面达到99.4%的准确性,改进了现有的方法.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 使用可穿戴传感器的人类活动识别 (HAR) 对于医疗保健,体育和监控领域的应用至关重要.
- 现有的HAR模型难以识别复杂,细微的人类活动.
研究的目的:
- 开发一种新的混合深度学习模型,以准确识别基本和复杂的人类活动.
- 在HAR系统中增强空间特征提取和时间依赖性建模.
主要方法:
- 提出了一个混合深度学习模型,CNNd-TAm,将扩展卷积网络 (CNN) 与修改的时间注意力机制集成在一起.
- 来自加速度计和陀螺仪传感器 (UTwente数据集) 的数据进行了预处理,包括过,规范化和时间段选择.
- 该模型在10个个体的13个活动中进行了训练和评估.
主要成果:
- 在识别复杂的人类行为方面,CNNd-TAm模型实现了99.4%的高精度.
- 该模型在识别对话和喝咖啡等复杂活动方面表现出卓越的表现.
- 性能超过了HAR.之前的混合深度学习模型的性能.
结论:
- CNNd-TAm模型代表了HAR系统的重大进步,特别是在复杂活动识别方面.
- 扩张卷曲和时间注意力的整合有效地解决了识别复杂的人类行为的局限性.
- 这个模型为现实世界HAR应用提供了更高效,更准确的解决方案.
