利用惯性、生理和环境传感器进行的人体活动识别:综述
人体活动识别(HAR)是一项基础研究领域,已经在家庭与职场自动化、安全监控以及医疗保健等多个应用中得到应用。本文综述了基于传感器的 HAR,讨论了依赖于 HAR 的几个重要应用,并介绍了 HAR 中常用的机器学习方法,同时探讨了 HAR 存在的若干挑战以进一步提高其稳健性。
Sep, 2023
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
通过分类数据异构类型、应用相应的适合的机器学习方法、总结可用的数据集并讨论未来的挑战,本论文探讨了机器学习如何解决人体活动识别中的数据异构问题。
Mar, 2024
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
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
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
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
综合不同的感知模态与多个位置有助于形成对人类行为等复杂情况的统一感知和理解,因此,人类活动识别受益于综合冗余和互补信息(单模态 / 多模态)。然而,这并不是一项容易的任务,它需要多学科的方法,包括传感器技术、信号处理、数据融合算法和领域特定知识。本博士研究使用惯性、压力(音频和大气压力)和纺织电容感应等感知模型进行人类活动识别。所探索的场景包括手势和手部位置跟踪、面部和头部模式识别以及身体姿势和手势识别。所选择的可穿戴设备和感知模型完全集成了基于机器学习的算法,其中一些实现在嵌入式设备上,并在实时环境中进行了测试。
Apr, 2024