解码人类活动:基于可穿戴加速度计与陀螺仪数据的活动识别分析
计算机视觉与模式识别
2024-07-10 v3 机器学习
摘要
人的运动或相对位置可被不同类型的传感器有效捕捉,相应的传感器输出可用于多种处理技术中以分类不同的人类活动。本文提出了一种用于人类活动识别的有效方案,其在名为 FusionActNet 的多结构架构中引入了两种独特方法。第一种方法旨在通过两个专用的残差网络捕捉特定动作的静态与动态行为,第二种方法通过引入引导模块辅助最终决策过程。我们设计了一个两阶段训练过程:在第一阶段,分别使用静态(人体静止)和动态(人体运动)数据对残差网络进行预训练;在下一阶段,将引导模块与预训练的静态或动态模型一同用于训练给定传感器数据。此处引导模块学习强调从静态或动态模型获得的最相关预测向量,从而有助于有效分类不同人类活动。所提方案使用两个基准数据集进行评估,并与最先进的方法进行比较。结果清晰表明,我们的方法在准确率、精确率、召回率和 F1 分数上优于现有方法,在 UCI HAR 和 Motion-Sense 数据集上分别达到 97.35% 和 95.35% 的准确率,凸显了所提方案的有效性与稳定性。
引用
@article{arxiv.2310.02011,
title = {Decoding Human Activities: Analyzing Wearable Accelerometer and Gyroscope Data for Activity Recognition},
author = {Utsab Saha and Sawradip Saha and Tahmid Kabir and Shaikh Anowarul Fattah and Mohammad Saquib},
journal= {arXiv preprint arXiv:2310.02011},
year = {2024}
}