Nov, 2015

三轴加速度计深度活动识别模型

PDF
TL;DR本文研究怎样利用加速度计和深度学习方法实现人类活动识别效果更准确，并且避免手工特征设计的问题，该方法可利用海量未标记数据进行特征提取。同时，本文还提出了基于深度学习和隐马尔可夫模型（DL-HMM）的分层识别方法，此方法将深度学习模型的分层表征与 HMM 的时序建模相结合，实现了对人类活动的精准识别，有效改进了以往算法的性能。
accelerometersactivity recognitiondeep learningunlabeled datahybrid approach
发现论文，激发创造
  • 口袋里的一天：来自智能手机加速度计的复杂活动识别

    本研究使用手机加速度计数据对 8 种复杂活动进行基于深度学习的二分类，取得了 AUROC 得分高达 0.76 的良好结果，表明在后疫情时代使用手机加速度计数据对复杂活动进行识别的可行性。

    Jan, 2023

  • 利用穿戴设备进行人类活动识别的深度卷积和循环模型

    本文探讨了基于深度学习在普适计算中的人类活动识别（HAR）技术，介绍了如何使用具有创新性的正则化方法训练循环神经网络，提出了适用于 HAR 问题的模型，并通过多个随机实验说明了超参数的影响和模型的适用性。

    Apr, 2016

  • 解码人类活动：分析可穿戴加速度计与陀螺仪数据进行活动识别

    基于 Residual 网络和 Residual MobileNet 集成的分层多结构方法（FusionActNet）能够有效地对不同的人类活动进行分类识别，并在 UCI HAR 和 Motion-Sense 数据集上取得了 96.71% 和 95.35% 的准确率。

    Oct, 2023

  • 传感器人体活动识别的深度神经网络架构和特征提取设计的研究

    通过在两个人体活动识别数据集上进行广泛的实验研究，我们调查了常见的深度学习和机器学习方法以及不同的训练机制（如对比学习）和从传感器时间序列数据中提取的各种特征表示的性能，以评估它们在人体活动识别任务中的有效性。

    Sep, 2023

  • 加速度计在活动识别中是否已经走到了尽头？

    本文阐述了加速度传感器在人体活动识别领域（HAR）上存在的问题，提出图像传感器替代加速度传感器成为人体活动识别的默认传感器，并挖掘了图像传感器与卷积神经网络在人体活动识别方面的潜力。

    Jan, 2020

  • 使用深度三元组嵌入的个性化活动识别

    本研究探讨了基于全卷积神经网络的个性化活动识别方法，通过个人三元组深度嵌入，并与基线方法等进行了比较，结果表明三元组损失提供了最佳性能。

    Jan, 2020

  • 可穿戴传感器人类活动识别中的深度学习技术：进展综述

    本文系统分类总结了利用低功率传感器进行人体活动识别的深度学习方法及其发展趋势和主要挑战，同时介绍了深度学习驱动人体活动识别的尖端技术和未来方向。

    Oct, 2021

  • 基于传感器的活动识别的深度学习：一项综述

    本文综述了深度学习在传感器活动识别中的最新进展，并从传感器模态、深度模型和应用三个方面总结了现有文献，并提出了未来研究的重大挑战。

    Jul, 2017

  • 基于骨架姿势序列的传感器数据增强技术提升人体活动识别

    为了改进基于可穿戴传感器的人体活动识别，本文提出了一种从 3D 骨架姿势序列中直接生成传感器数据的姿势到传感器网络模型，并同时训练姿势到传感器网络和人体活动分类器，通过优化数据重构和活动识别来改进性能。实验结果表明该框架优于基线方法，并在 MM-Fit 数据集上取得了显著的性能提升。

    Apr, 2024

  • 使用可穿戴数据的自监督表示进行人类活动识别

    本研究基于一个大规模无标签数据集上学习的自监督表征及浅层多层感知器模型，在未参与训练的真实世界数据集上取得了良好性能，并可通过不同传感器的数据训练，从而实现了设备无关型人体活动识别模型，将有助于增加 HAR 领域中模型评估的标准化。

    Apr, 2023