基于神经网络的加速器对粒度活动进行识别:评估跨多种移动性配置文件的概括性

科学领域:

• 生物医学工程 生物医学工程
• 计算机科学 计算机科学
• 老年学是指老年学的学科.

背景情况:

• 人类活动识别 (HAR) 对于数字医疗保健至关重要,但传统方法与现实世界的数据变化和跨队列概括性作斗争.
• 将HAR系统适应不同人群,例如年轻人与老年人群,仍然是一个重大挑战.

研究的目的:

• 使用可穿戴传感器数据调查 HAR,重点是年轻人和老年人之间的交叉队列评估.
• 评估神经网络架构,采样频率和传感器位置对HAR性能的影响.
• 确定适用于不同年龄组的现实活动识别的可靠方法.

主要方法:

• 利用来自大腿和腰部传感器 (50 Hz) 的加速度计数据捕捉日常活动,与视频记录同步.
• 在年轻队列数据上训练神经网络,特别封闭的循环单元 (GRU),并在老队列数据上进行测试.
• 使用准确度,回忆,精度,F1分数和混矩阵评估性能,分析网络架构,采样频率和传感器放置的影响.

主要成果:

• 封闭的循环单元架构表现出卓越的性能,年轻群体的加权F1得分为0.95 ± 0.05,老群体的加权F1得分为0.93 ± 0.05.
• 部安装的传感器通常表现优于腰部传感器,除了"躺"活动外.
• 通过增加训练数据的可变性,组合数据集显著改善了旧队列的性能 (加权F1得分:0.97 ± 0.02).

结论:

• 神经网络,特别是GRU,为跨年龄队伍的强大的HAR提供了一个高度通用的方法.
• 网络架构和数据集组成是成功 HAR 的关键因素.
• 基于传感器的可穿戴HAR显示了数字医疗保健应用的巨大潜力,尤其是在考虑队列多样性时.