深度学习模型的整合,以有效地对残疾人的人类活动模式进行分类,使用手势分析
Hend Khalid Alkahtani1, Nouf Al-Kahtani2, Gouse Pasha Mohammed3
1Department of Information Systems, College of Computer and Information Sciences, Princess Nourah Bint Abdulrahman University, P.O. Box 84428, 11671, Riyadh, Saudi Arabia. hkAlqahtani@pnu.edu.sa.
Scientific reports
|December 12, 2025
概括
本研究介绍了一种优化混合深度学习模型,用于人类活动识别 (HAR),使用元启发式优化. 该模型达到99%的准确性,大大改善了残疾人的活动监测.
科学领域:
- 计算机视觉 计算机视觉
- 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) 对视频监控和辅助技术等应用至关重要.
- 深度学习 (DL) 模型对于准确的HAR至关重要,特别是对于残疾人和老年人来说.
- 现有的HAR方法需要优化以提高性能和可靠性.
研究的目的:
- 开发一个优化的混合深度学习模型 (OHDLM-HARMOA) 来增强人类活动识别.
- 通过精确的活动监测,提高残疾人的生活质量.
- 为了利用元启发式优化算法,获得卓越的 HAR 性能.
主要方法:
- 使用Z分数规范化进行数据预处理.
- 通过群优化 (ACO) 进行特征选择.
- 混合分类使用卷积神经网络 (CNN) 和带注意的双向门循环单元 (BiGRU-A).
- 用Sine-Cosine算法 (SCA) 进行参数调整.
主要成果:
- 在WISDM数据集上,OHDLM-HARMOA模型实现了99.00%的高精度.
- 与现有的HAR模型相比,表现出优越的性能.
- 有效的特征选择和参数优化是模型成功的关键.
结论:
- OHDLM-HARMOA模型为人类活动识别提供了一个高度准确和有效的解决方案.
- 这种方法具有很大的潜力,可以通过高级活动监测来帮助残疾人.
- 超听觉优化显著提高了HAR.深度学习模型的性能.
