用于高吞吐量移动人体活动识别的深度循环神经网络
计算机视觉与模式识别
2016-11-14 v1 神经与进化计算
摘要
本文提出一种从原始加速度计数据应用深度循环神经网络(DRNN)的高吞吐量人体活动识别方法，并研究各种架构及其组合以找到最佳参数值。“高吞吐量”指识别时时间短。我们使用来自7人的6个活动类别的432次试验的训练数据集研究了DRNN的各种参数和架构。针对108个单一活动类别的分割试验和18个多顺序试验的测试数据，最大识别率分别为95.42%和83.43%。而传统方法的最大识别率分别为71.65%和54.97%。此外，用额外数据集评估了所发现参数的效率。进一步，关于每单位时间的识别吞吐量，构建的DRNN仅需要1.347 [ms]，而最佳传统方法需要11.031 [ms]（包括11.027 [ms]的特征计算）。这些优势是由构建的实时导向DRNN的紧凑和小架构引起的。
引用
@article{arxiv.1611.03607,
title = {Deep Recurrent Neural Network for Mobile Human Activity Recognition with High Throughput},
author = {Masaya Inoue and Sozo Inoue and Takeshi Nishida},
journal= {arXiv preprint arXiv:1611.03607},
year = {2016}
}
备注
10 pages, 13 figures