利用LDA特征提取来增加人类活动识别准确度.
Milad Vazan1, Elaheh Sharifi1, Hadi Farahani1
1Department of Computer and Data Science, Faculty of Mathematical Science, Shahid Beheshti University, Tehran, Iran.
Medical engineering & physics
|December 6, 2025
概括
这项研究引入了使用智能手机的人类活动识别 (HAR) 的混合方法,达到99.52%的准确性. 该方法结合了线性差异分析 (LDA) 和多层感知器 (MLP) 来进行特征提取,以及支持向量机 (SVM) 与随机梯度下降 (SGD) 进行分类.
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了解人类行为至关重要.
- 基于智能手机的HAR在特征维度减少和分类准确性方面面临挑战.
- 现有的方法需要强大的特征提取和优化的分类模型.
研究的目的:
- 为基于智能手机的 HAR 提出混合特征提取策略,将线性差异分析 (LDA) 和多层感知器 (MLP) 结合起来.
- 通过优化支持向量机 (SVM) 与随机梯度下降 (SGD) 来提高分类准确性.
- 在UCI-HAR数据集上验证拟议的LDA-MLP-SVM-SGD (LMSS) 方法.
主要方法:
- 使用混合LDA和MLP方法提取特征,以提高类分离性.
- 使用SVM模型进行分类,使用SGD优化,以提高准确性.
- 实施人类活动识别LMSS框架.
主要成果:
- 拟议的LMSS框架在UCI-HAR数据集上实现了99.52%的最新精度.
- LDA有效地提取了一个新的功能空间,增强了类分离和预测.
- 统计分析显示,LMSS方法与最强基线 (mGRRF+XGB,99.36%) 相比.
结论:
- 该LMSS框架展示了一个高效的混合战略,用于基于智能手机的HAR.
- 将LDA,MLP和优化的SVM与SGD相结合,显著提高了活动分类的准确性.
- 该方法提供竞争性性能,实现最先进的结果与现有的顶级方法的统计可比性.
