用于多传感器人体活动识别中分层特征提取与融合的 CNN 自编码器
机器学习
2025-02-10 v1 人工智能
摘要
深度学习方法已被广泛应用于利用安装在人体各部位的惯性测量单元（IMU）传感器记录的信号进行人体活动识别（HAR）。此类 HAR 面临诸多挑战，其中最显著的是对多样化 IMU 传感器数据的分析。在此，我们提出了一种分层无监督融合（HUF）模型，旨在通过卷积神经网络（CNN）和自编码器（AE）的混合结构，从 IMU 传感器数据中提取并融合特征。首先，我们设计了一个堆叠的 CNN-AE，将短时信号嵌入到高维特征集中。其次，我们开发了另一个 CNN-AE 网络，以局部融合从每个传感器单元提取的特征。最后，我们通过第三个 CNN-AE 架构作为全局特征融合，统一所有传感器特征以创建独特的特征集。此外，我们分析了改变模型超参数的影响。在每个 AE 中使用八个卷积层取得了最佳结果。此外，研究确定，在所提出的 HUF 模型的第一个模块中，编码层具有 256 个核的过完备 AE 适用于特征提取；在模型的最后一个模块中，该数量减少至 64，以使所应用的特征大小适应分类器。经过调优的模型被应用于 UCI-HAR、DaLiAc 和帕金森病步态数据集，分别实现了 97%、97% 和 88% 的分类准确率，相比最先进的监督学习方法提高了近 3%。
引用
@article{arxiv.2502.04489,
title = {CNN Autoencoders for Hierarchical Feature Extraction and Fusion in Multi-sensor Human Activity Recognition},
author = {Saeed Arabzadeh and Farshad Almasganj and Mohammad Mahdi Ahmadi},
journal= {arXiv preprint arXiv:2502.04489},
year = {2025}
}
备注
10 pages, 9 figures