利用可穿戴传感器进行人类活动识别的深度残差双向 LSTM
计算机视觉与模式识别
2017-09-08 v2 机器学习
摘要
人类活动识别（HAR）因其广泛应用而成为热门研究课题。随着深度学习的发展，出现了 addressing HAR 问题的新思路。本文提出了一种使用残差双向长短期记忆（LSTM）单元的深度网络架构。新网络的优势包括：双向连接可以拼接正时间方向（前向状态）和负时间方向（后向状态）；其次，堆叠单元之间的残差连接充当梯度的高速公路，可将底层信息直接传递至上层，有效避免梯度消失问题。总体而言，所提出的网络在时间维度（使用双向单元）和空间维度（深度堆叠残差连接）上均显示出改进，旨在提高识别率。在 Opportunity 数据集和公共领域 UCI 数据集上进行测试时，与先前报道的结果相比，准确率分别提高了 4.78% 和 3.68%。最后，分析了公共领域 UCI 数据集的混淆矩阵。
引用
@article{arxiv.1708.08989,
title = {Deep Residual Bidir-LSTM for Human Activity Recognition Using Wearable Sensors},
author = {Yu Zhao and Rennong Yang and Guillaume Chevalier and Maoguo Gong},
journal= {arXiv preprint arXiv:1708.08989},
year = {2017}
}