相关实验视频
Updated: Jul 30, 2026
08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
11.1K
一种混合多层感知器,具有选择性堆叠集体学习方法,用于使用传感器数据集识别人类活动
Sankar Sennan1, Ramasubbareddy Somula2, Yongyun Cho3
1Department of Information and Communication Engineering, Sunchon National University, Suncheon Si, 57922, Republic of Korea.
Scientific reports
|November 22, 2025
概括
本研究介绍了用于人类活动识别 (HAR) 的混合多层感知器 (MLP) 模型,达到99%的准确性. 该模型展示了强大的跨领域适应性和对现实世界物联网系统的高效推理.
科学领域:
- 计算机科学 计算机科学
- 机器学习 机器学习
- 信号处理 信号处理
背景情况:
- 人类活动识别 (HAR) 对于使用传感器数据监测人类运动至关重要.
- 现有的HAR方法在准确性和效率方面面临挑战,特别是在跨领域的应用中.
- 开发强大高效的HAR系统对于现实世界的物联网应用至关重要.
研究的目的:
- 引入一种新的混合多层感知器 (MLP) 模型,用于增强人类活动识别.
- 为了提高HAR的准确性和计算效率,特别是在跨域泛化方面.
- 评估模型的性能与传统方法相比,并确定其适用于真实世界的系统.
主要方法:
- 开发了一个混合MLP模型,将随机森林 (RF),极端梯度提升 (XGBoost) 和后勤回归 (LR) 集成到一个堆叠的组合中.
- 智能手机加速度计和陀螺仪数据被合并并通过MLP进行处理以提取特征.
- 该模型在源HAR数据集上进行了训练,并在PAMAP2数据集上进行了跨域性能评估.
主要成果:
- 拟议的混合MLP模型在源HAR数据集上达到高达99%的准确性,表现优于KNN,DT,MLP和CNN.
- 在交叉数据集评估中,该模型在PAMAP2数据集上的准确度和F1得分比CNN基线高出2%.
- 该模型与CrossHAR方法相比,在不需要计算密集的预训练的情况下展示了竞争性性能.
结论:
- 混合MLP模型为人类活动识别提供了高精度和高效的推理.
- 该模型表现出强大的跨领域适应性,使其适合各种现实世界的场景.
- 这种方法为开发高效准确的基于物联网的活动识别系统提供了实际解决方案.
