整合神经转移与基于注意力机制的混合深度学习驱动的自动化人类活动识别,以加强残疾援助

科学领域:

• 人工智能的人工智能
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 老年人和残疾人独立生活是一个关键的社会挑战.
• 准确的人类活动识别 (HAR) 对于开发医疗保健和智能环境中的上下文感知应用程序至关重要.
• 目前用于HAR的人工智能 (AI) 方法在模型选择和数据采集方面面临复杂性.

研究的目的:

• 设计一个智能HAR系统来帮助残疾人.
• 为了提高生活质量,实现准确和实时的监控.
• 提出一种新的混合深度学习与注意力机制,用于自动识别人类活动使用Swin变压器 (HDLAM-AHARST) 模型.

主要方法:

• 使用Gabor波器 (GF) 方法进行图像预处理,以减少噪声和提高质量.
• 使用Swin变压器 (SwinT) 方法进行特征提取.
• 通过混合模型将卷积神经网络 (CNN) 和长短期记忆 (LSTM) 与注意力机制 (C-LSTM-A) 结合起来进行 HAR 分类.
• 使用Lyrebird优化算法 (LOA) 对C-LSTM-A模型进行超参数优化.

主要成果:

• 提出的HDLAM-AHARST技术在HAR图像数据集上显示了98.91%的高准确率.
• 该模型有效地处理图像数据以识别人类活动.
• 对比分析显示,相对于现有的HAR方法,其性能优越.

结论:

• HDLAM-AHARST模型在自动识别人类活动方面取得了重大进展.
• 这种由人工智能驱动的系统可以极大地帮助老年人和残疾人实现独立生活.
• 该研究强调了混合深度学习模型的潜力,这些模型具有复杂的HAR任务的注意力机制.