Sep, 2018

基于时间序列分析的 U-Net 人体活动识别

PDF
TL;DR本文提出了一种基于 U-Net 的 HAR 算法，通过将加速度计的活动数据映射为具有单像素列和多通道的图像输入到神经网络进行训练和识别，从而实现像素级姿态识别，无需手动特征提取，能够有效识别长期活动序列中的短期行为，与其他六种机器学习方法相比，该算法在各数据集中具有最高的准确性和 F1 得分，并具有稳定表现和高鲁棒性，同时实现了快速识别速度。
发现论文，激发创造
  • 人体活动检测的多任务自监督学习

    本文提出了一种基于自监督技术的特征学习方法，应用于无形标签的传感器数据。该方法可以应用于人类活动识别等领域，可以通过转化识别任务提供监督信号提取有价值的特征，并在智能手机环境下的无人监督、半监督和迁移学习的情况下实现了与完全监督网络相当甚至更好的性能。该技术可被广泛应用于其他领域。

    Jul, 2019

  • 使用参数优化的多阶段图卷积网络和 Transformer 模型进行人类活动识别的特征融合

    使用深度学习模型（如卷积神经网络和 Transformer）进行人类活动识别，研究表明特征融合对于改善活动识别系统的准确性和稳健性具有重要意义。使用 HuGaDB、PKU-MMD、LARa 和 TUG 数据集，PO-MS-GCN 和 Transformer 模型在准确性上进行了训练和评估，PO-MS-GCN 模型在效果上优于其他先进模型，并且特征融合在不同数据集上改善了结果。

    Jun, 2024

  • UMSNet: 一种用于人体活动识别的通用多传感器网络

    本文提出了一种适用于人类活动识别的通用多传感器网络（UMSNet），采用了新型轻量级传感器残差块（称为 LSR 块）和 Transformer 来提取序列特征的关系，经过全面实验后，证明在人类活动识别方面优于其他最先进的方法。

    May, 2022

  • 卷积神经网络实现人类活动识别

    本文提出了使用卷积神经网络 (CNNs) 对人类活动进行分类的方法，该方法利用惯性传感器测量身体的加速度和角速度，并使用不同的神经网络结构适应运动信号，探究单个、双个和三个传感器系统的分类潜力，实验结果表明该方法具有很好的分类性能。

    Jun, 2019

  • 基于可穿戴设备的多级对比网络用于关节活动分割和识别

    本文介绍了一种基于深度学习的多类窗口问题解决方案 —— 使用分割技术的人类活动识别方法，并引入多阶段时间卷积网络（MS-TCN）进行样本级别的活动预测，同时使用多级对比损失以提高方法的鲁棒性，并在两个公共 HAR 数据集上验证了该方法的有效性。

    Aug, 2022

  • HAR-GCNN: 利用深度图卷积神经网络从高度未标记的移动传感器数据中识别人类活动

    提出了一种基于深度图卷积神经网络的人体活动识别方法（HAR-GCCN），该方法利用传感器测量之间的时间相邻性来预测未分类活动的正确标签。通过新的训练策略和数据集，该方法在多个数据集上展现了比现有基线方法优越约 25％和高达 68％的分类准确性。

    Mar, 2022

  • 基于时间戳监督的可穿戴设备活动分段和识别：对比学习和保序最优传输

    利用时间戳监督的联合活动分割和识别方法，通过估计原型、生成样本级伪标签以及最优运输理论，以改善人类活动识别和时间序列分割问题。

    Oct, 2023

  • 了解邻居：智能家居中有效的传感器数据人体活动识别的基于图的方法

    通过学习传感器之间的显式共同触发关系，我们提出了一种新颖的图导向神经网络方法，该方法通过将离散的输入传感器测量映射到特征空间，应用注意机制和节点嵌入的分层汇聚，在 CASAS 数据集上进行实验证明了我们提出的方法在智能家居人体活动识别方面优于现有方法，并将其推向更接近真实世界应用的方向。

    Nov, 2023

  • 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

  • 使用机器学习技术从膝角度识别人类活动

    该论文研究了使用已公开发布的运动数据集来训练机器学习算法，以分类人类活动，并通过 Gradient Boosting 算法在 11 次交叉验证中展现了高达 0.94 的 ROC 曲线下区域 (AUC) 性能，显示出该方法的有效性和潜在用途。

    Jun, 2022