利用可穿戴感应器进行人类活动识别:综述、挑战和评估基准
本研究通过对不同样本生成过程和验证协议进行分析,实施和评估了多种高性能方法,从手工制作的方法到卷积神经网络等各种方法,发现当前的实验评估方法都无法在可穿戴传感器数据的背景下执行活动识别,在此之中,识别准确度显着下降,该研究着重解决了在可穿戴传感器数据基础上的人体活动识别中影响识别准确性的关键问题,是第一篇解决这个问题的研究。
Jun, 2018
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
该论文介绍了一种无监督方法,通过基于人类活动的特性将人类活动投射到一个嵌入空间中,在该空间中相似的活动会紧密地聚集在一起,从而帮助聚类算法实现对人类活动的识别和分类,相较于直接应用于原始数据集的非监督技术,我们的方法在识别和分类潜在人类活动方面取得了更好的性能。
Jul, 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
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
本文通过基于自注意力机制的神经网络模型,有效地解决了从身体穿戴传感器数据中提取人类活动的空间和时间序列信号依赖性识别的问题,并在四个流行的 HAR 数据集上进行了大量实验,获得了显著的性能改进。
Mar, 2020
本研究综述了传感器人体活动识别领域的深度学习方法,介绍了多模态传感数据以及可以用于不同挑战任务评估的公共数据集,并提出了一个新的分类法来组织深度方法的挑战,总结分析了相关深度方法以及当前的研究进展,并讨论了未来方向与存在的问题。
Jan, 2020
我们创建了一个安卓应用程序,能够实时识别人体活动并计算所燃烧的卡路里,使用了标记的三轴加速度读数和机器学习算法,以及一部分特征来提供最大准确度和最小模型构建时间。
Apr, 2024