一个增强的双开始-注意力-BiGRU-注意力模型,集成波形变换,用于基于传感器的人类活动识别的可穿戴设备
Xinguo Zhang1,2, Yitao Wang1,2, Tao Deng3,4,5
1Key Laboratory of Linguistic and Cultural Computing of Ministry of Education, Chinese National Information Technology Research Institute, Northwest Minzu University, Lanzhou, 730030, China.
Scientific reports
|December 16, 2025
概括
这项研究介绍了双INABA,这是人类活动识别 (HAR) 的混合深度学习模型. 它在多个数据集上实现了高精度,证明了结合Inception,attention和BiGRU组件的有效性.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 信号处理 信号处理
背景情况:
- 深度学习 (DL) 和机器学习 (ML) 拥有先进的人类活动识别 (HAR) 系统.
- 集成复杂计算组件的混合模型显示在HAR中提高了准确性和效率.
- 现有的HAR系统从复杂的数据处理和特征提取技术中受益.
研究的目的:
- 介绍一个新的混合深度学习模型,双启动-注意力-BiGRU-注意力 (双INABA),以改进HAR.
- 评估双INABA对自收集和基准 HAR 数据集的性能.
- 分析单个组件和信号处理方法对模型有效性的贡献.
主要方法:
- 开发了一种混合模型 (双INABA),结合了Inception,注意力机制和双向门循环单元 (BiGRU).
- 利用消去实验来评估模型组件 (Inception,attention,BiGRU) 的影响.
- 研究了信号消噪技术,特别是道贝希波波形变换 (Db) 对分类性能的影响.
主要成果:
- 双INABA实现了很高的分类准确率: 96.95% (WSMC-HAR),98.15% (PAMAP2),98.89% (UCI-HAR) 和96.78% (WISDM) 的分类准确率.
- BiGRU有效地降低了损失率,而Inception模型提高了整体准确性.
- 杜贝契斯 (Db) 波段转换显著改善了信号噪声比 (SNR) 和分类准确性.
结论:
- 拟议的双INABA模型在人类活动识别方面表现出卓越的表现.
- 混合模型中的组件协作和先进的信号处理对于高HAR精度至关重要.
- 该MPU6050加速度计传感器可以为HAR应用程序生成高质量的加速度数据.
