用于位置信息辅助复杂人体行为识别的新型深度学习框架

• Published in: 东华大学学报（英文版） Vol. 41; no. 3; pp. 231 - 240
• Main Authors: 于静伟, 张磊, 高震宇, 倪琴
• Format: Journal Article
• Language: Chinese
• Published: 东华大学信息科学与技术学院,上海 201620%东华大学信息科学与技术学院,上海 201620 2024; 东华大学数字化纺织服装技术教育部工程研究中心,上海 201620%上海外国语大学多语种人工智能教育重点实验室,上海 201620
• Subjects: 长短期记忆(LSTM)神经网络; 卷积神经网络; wearable sensor; 人体行为识别(HAR); deep learning(DL); convolutional neural network; human activity recognition(HAR); machine learning(ML); 可穿戴传感器; 机器学习(ML); 深度学习(DL); long short-term memory(LSTM)neural network
• ISSN: 1672-5220
• DOI: 10.19884/j.1672-5220.202309005

TP212; 随着近年来智能生活理念的普及和可穿戴终端技术的快速发展,基于传感器数据的人体行为识别(human activity recognition,HAR)已引起广泛关注,并且具有重要的学术研究和商业应用价值.该文研究了增强HAR模型对用户日常简单行为(simple activity,SA)和复杂行为(complex activity,CA)的识别,并提出了一个深度学习(deep learning,DL)模型.首先,使用两个可公开获取的数据集UCI HAR和Shoaib CHA,并对其进行标准化处理.其次,使用所提出的模型提取各种动作的特征,进行人体行为识别.鉴于用户行为和位置之间的高度关联,通过独热编码技术将位置信息集成到数据集中,以提高模型的分类性能.此外,将所提出的模型与8种经典机器学习(machine learning,ML)算法和6种DL算法进行了对比.最后,评估了不同行为类型对HAR模型识别性能的影响.实验结果表明,所提出的模型在UCI HAR和Shoaib CHA数据集上的最高分类准确率分别达到了 96.77％和99.13％.通过向数据集添加位置信息,HAR模型对SA和CA的分类准确率得到了显著提高.