针对人体活动传感器数据的时序性特点,以及当前机器学习算法过度依赖手工特征提取的问题,提出了一种融合卷积神经网络和双向长短期记忆网络的深度学习模型(convolutional neural network-bidirectional long short term memory network,...针对人体活动传感器数据的时序性特点,以及当前机器学习算法过度依赖手工特征提取的问题,提出了一种融合卷积神经网络和双向长短期记忆网络的深度学习模型(convolutional neural network-bidirectional long short term memory network,CNN-BiLSTM)进行人体活动识别(human activity recognition,HAR)。首先对人体活动数据进行样本分割,然后采用卷积神经网络(convolutional neural networks,CNN)自动提取人体活动数据的特征,再通过双向长短时记忆网络(bi-directional long-short term memory,BiLSTM)学习人体活动数据特征在时间序列上前后两个方向的相关性,最后利用softmax分类器实现对人体活动分类。DaLiAc公开数据集上的仿真实验结果表明:基于CNN-BiLSTM网络的人体活动识别方法对13种人体活动的识别准确率达到了97.7%,与仅具备时间特征学习的LSTM网络和BiLSTM网络相比,具有更好的识别分类效果。展开更多
基于深度学习的人类活动识别(HAR)方法在处理时间序列数据时存在手工特征提取过程复杂、复杂时序依赖性难以挖掘问题,如何有效自动提取人类活动的多尺度特征并挖掘时序前后的关联性特征,是提高HAR准确率的关键因素。为解决上述问题,提...基于深度学习的人类活动识别(HAR)方法在处理时间序列数据时存在手工特征提取过程复杂、复杂时序依赖性难以挖掘问题,如何有效自动提取人类活动的多尺度特征并挖掘时序前后的关联性特征,是提高HAR准确率的关键因素。为解决上述问题,提出一种多尺度一维卷积-双向门控循环单元(1DMCNN-BiGRU)模型。使用多尺度卷积提取精细化感知信号特征,同时融合双向门控循环单元(BiGRU)提取的前后整体信号的相关性特征,从而提高模型的识别准确率。在真实场景数据集USC-HAD、WISDM、PAMAP2上的实验结果表明,相较于次优的CNN-LSTM(Convolutional Neural Network with Long Short-Term Memory)模型,所提模型的识别准确率分别提高了1.06%、1.23%和1.71%,具有较高的识别准确度,验证了所提模型用于HAR的有效性。展开更多
文摘针对人体活动传感器数据的时序性特点,以及当前机器学习算法过度依赖手工特征提取的问题,提出了一种融合卷积神经网络和双向长短期记忆网络的深度学习模型(convolutional neural network-bidirectional long short term memory network,CNN-BiLSTM)进行人体活动识别(human activity recognition,HAR)。首先对人体活动数据进行样本分割,然后采用卷积神经网络(convolutional neural networks,CNN)自动提取人体活动数据的特征,再通过双向长短时记忆网络(bi-directional long-short term memory,BiLSTM)学习人体活动数据特征在时间序列上前后两个方向的相关性,最后利用softmax分类器实现对人体活动分类。DaLiAc公开数据集上的仿真实验结果表明:基于CNN-BiLSTM网络的人体活动识别方法对13种人体活动的识别准确率达到了97.7%,与仅具备时间特征学习的LSTM网络和BiLSTM网络相比,具有更好的识别分类效果。
基金National Natural Science Foundation of China(Nos.62371118,6210020445 and 61901104)Natural Science Foundation of Shanghai,China(Nos.21ZR1446900 and 21511100102)Science and Technology Research Project of Shanghai Songjiang District,China(No.20SJKJGG4C)。
文摘基于深度学习的人类活动识别(HAR)方法在处理时间序列数据时存在手工特征提取过程复杂、复杂时序依赖性难以挖掘问题,如何有效自动提取人类活动的多尺度特征并挖掘时序前后的关联性特征,是提高HAR准确率的关键因素。为解决上述问题,提出一种多尺度一维卷积-双向门控循环单元(1DMCNN-BiGRU)模型。使用多尺度卷积提取精细化感知信号特征,同时融合双向门控循环单元(BiGRU)提取的前后整体信号的相关性特征,从而提高模型的识别准确率。在真实场景数据集USC-HAD、WISDM、PAMAP2上的实验结果表明,相较于次优的CNN-LSTM(Convolutional Neural Network with Long Short-Term Memory)模型,所提模型的识别准确率分别提高了1.06%、1.23%和1.71%,具有较高的识别准确度,验证了所提模型用于HAR的有效性。
