实施深度学习模型组合与人类活动识别的优化技术,以帮助残疾人

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) 对医疗保健,智能家居和制造业的应用至关重要.
• 哈尔系统分析人类的行为和运动,以帮助个人,特别是残疾人.
• 现有的HAR方法需要强大的模型来准确提供残疾人援助.

研究的目的:

• 提出一个由二进制灰狼优化驱动的集体深度学习模型 (BGWO-EDLMHAR),用于增强人类活动识别 (HAR).
• 开发一种强大的HAR技术,专门用于残疾人援助应用.
• 通过先进的优化和深度学习来提高 HAR 系统的准确性和效率.

主要方法:

• 数据预处理涉及数据结构的z-score规范化.
• 使用二进制灰狼优化 (BGWO) 方法进行了特征选择.
• 一组深度学习模型,包括双向长期短期记忆,变化自编码器和时间卷积网络,被用于分类.
• 使用鱼优化算法优化了超参数调整.

主要成果:

• 在WISDM数据集上,BGWO-EDLMHAR技术表现出了卓越的性能.
• 拟议的模型实现了98.51%的高分类精度.
• 对比分析证实了BGWO-EDLMHAR比现有的HAR模型更高的准确性.

结论:

• BGWO-EDLMHAR技术为人类活动识别提供了强大而准确的解决方案.
• 这种方法显著提高了HAR在残疾人援助中的潜力.
• 集成先进的优化和集体深度学习模型证明了对HAR任务的有效性.