通过冗余意识的CNN和新型聚合来对噪音移动传感器数据进行强大的活动识别

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) 对移动健康和物联网应用至关重要.
• 现有的方法往往与噪音作斗争,并在传感器数据中进行特征歧视.
• 智能手机加速度计为HAR提供丰富的数据,但需要强大的处理.

研究的目的:

• 开发一个强大的卷积神经网络 (CNN) 架构用于HAR,使用智能手机加速计数据.
• 引入和评估新的聚合机制,以加强特征歧视和噪声弹性.
• 调查基于图表图的图像编码对HAR的有效性.

主要方法:

• 提出了两个新的聚合机制:极端对比聚合 (ECP) 和中心减小变化 (CMV).
• 在原始传感器流上实现了1D CNN,并使用基于直方图的图像编码实现了2D CNN.
• 规范化输入数据到 [0, 1] 对于有界的聚合输出.
• 进行了废弃性研究,以评估不同成分的贡献.

主要成果:

• 采用直方图编码的2D CNN系统在WISDM数据集上实现了高达96.84%的加权分类准确性.
• 拟议的聚合层 (ECP和CMV) 显示了持续的性能改进和噪声稳定性.
• 基因组编码提供了最显著的性能提升,其次是ECP和CMV的组合.
• 该系统在各种噪声条件下 (高斯式,盐和胡式,混合式) 显示性能降低.

结论:

• 拟议的CNN架构与新的聚合和直方形编码提供了一个强大的和准确的解决方案,用于移动HAR.
• 冗余意识的聚合和基于直方形的表示对于开发稳定的真实世界HAR系统是有益的.
• 开发的方法在杂环境中明显优于基线模型和传统的聚合技术.