基于深度神经网络利用多模态可穿戴传感器数据进行人类活动识别的新型多阶段训练方法
信号处理
2021-01-05 v1 机器学习
摘要
深度神经网络是利用各种可穿戴传感器数据自动识别人类动作的有效选择。这些网络完全依赖数据来实现特征提取过程的自动化。然而，时间序列数据中的各种噪声以及传感器间复杂的交互模态关系使该过程更加复杂。在本文中，我们提出了一种新颖的多阶段训练方法，通过组合从不同视角提取的多样特征来增加特征提取过程的多样性，从而实现准确的动作识别。最初，不使用单一类型的变换，而是对时间序列数据采用多种变换以获得原始数据中编码特征的多彩表示。提出了一种高效的深度 CNN 架构，可单独训练以从不同变换空间提取特征。随后，这些 CNN 特征提取器被合并为一个最优架构，通过组合训练阶段或多个顺序训练阶段精细调优以优化多样化提取的特征。该方法提供了利用多变观察窗口探索原始传感器数据中编码特征的机会，并具有为最终收敛高效选择特征的巨大空间。在三个公开数据集上进行了广泛实验，一致提供出色性能，在 UCI HAR 数据库上平均五折交叉验证准确率为 99.29%，在 USC HAR 数据库上为 99.02%，在 SKODA 数据库上为 97.21%，优于其他最先进方法。
引用
@article{arxiv.2101.00702,
title = {A Novel Multi-Stage Training Approach for Human Activity Recognition from Multimodal Wearable Sensor Data Using Deep Neural Network},
author = {Tanvir Mahmud and A. Q. M. Sazzad Sayyed and Shaikh Anowarul Fattah and Sun-Yuan Kung},
journal= {arXiv preprint arXiv:2101.00702},
year = {2021}
}
备注
12 Pages, 7 Figures. This article has been published in IEEE Sensors Journal