将多尺度卷积和注意力机制集成到HybridHAR中,以实现高性能的人类活动识别
Yuanzhi Huo1, Chuanhao Wei2, Zhen Xu3
1College of Information Engineering, Henan University of Science and Technology, Luoyang, Henan, 471000, China. 9906588@haust.edu.cn.
Scientific reports
|February 21, 2026
概括
混合HAR是一种新的深度学习模型,通过有效捕获多尺度时间模式来增强人类活动识别 (HAR). 这种方法显著提高了基于传感器的HAR应用程序的准确性.
科学领域:
- 计算机科学 计算机科学
- 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) 难以捕捉多尺度的时间模式,并维持深度网络中的特征传播.
- 现有的方法往往导致信息丢失和时间特征提取不足,阻碍识别准确性.
研究的目的:
- 介绍HybridHAR,一种新的深度学习模型,旨在克服当前 HAR 方法的局限性.
- 提高基于传感器的人类活动识别的准确性和稳定性.
主要方法:
- 开发了HybridHAR,这是一个深度学习模型,集成并行多尺度CNN进行特征提取.
- 整合了一个剩余注意力机制,具有通道智能的特征融合.
- 利用了一个深度监督模块,用于增强学习的辅助分类.
主要成果:
- 在UCI HAR数据集上,HybridHAR实现了最先进的性能.
- 实现了98.91%的验证准确率和96.06%的测试准确率.
- 与以前的方法相比,表现出显著的优异性.
结论:
- 混合HAR展示了基于传感器的HAR的高性能和强大的功能学习能力.
- 拟议的模型架构为HAR研究提供了一个新的方向.
- 潜在的应用包括医疗监测和智能环境.
