用于复合人体活动检测的计算图方法
神经与进化计算
2018-12-06 v1
摘要
现有人体活动检测的工作使用传感器信号的单一固定长度子集对身体活动进行分类。然而，传感器信号中时间上连续的子集未被利用。这对于分类由一系列较简单活动（原子活动）的时间序列组成的身体活动（复合活动）并非最优。一项运动由以该项运动特有的方式组合的身体活动构成。组成的身体活动与运动本身并无本质区别。我们提出了一种基于三轴加速度计读数的用于人体活动检测的计算图架构。所得模型学习 1）一项运动的原子活动的表示，以及 2）将身体活动分类为原子活动的组合。所提出的模型与一组基线模型一起，针对八项身体活动（步行、北欧式步行、跑步、足球、划船、骑自行车、健身自行车和躺卧）的同步分类进行了测试。所提出的模型获得了 77.91%（群体）和 95.28%（个性化）的总体平均准确率。最佳基线模型的相应准确率分别为 73.52% 和 90.03%。然而，在不组合连续原子活动的情况下，所提出模型的相应准确率分别为 71.52% 和 91.22%。结果表明，我们提出的模型准确，优于基线模型，并学会了将简单活动组合为复杂活动。复合活动可作为原子活动的组合进行分类。我们提出的架构是人体活动检测中精确模型的基础。
引用
@article{arxiv.1812.01895,
title = {Computational Graph Approach for Detection of Composite Human Activities},
author = {Niko Reunanen and Ville Könönen and Hermanni Hälvä and Jani Mäntyjärvi and Arttu Lämsä and Jussi Liikka},
journal= {arXiv preprint arXiv:1812.01895},
year = {2018}
}