HHAR-net：基于神经网络的分层人类活动识别
信号处理
2020-11-16 v2 人工智能
人机交互
机器学习
机器学习
摘要
利用智能与可穿戴设备中的内置传感器进行活动识别，为在真实场景中理解并检测人类行为提供了绝佳机会，并赋予了对个体健康与福祉更全面的视角。大量计算方法已被应用于传感器数据流以识别不同日常活动。然而，多数方法无法捕捉隐藏于人类行为中的不同层次活动。并且，随着活动数量增加，模型性能会下降。本研究旨在构建基于神经网络的分层分类以根据不同抽象层级识别人类活动。我们在 Extrasensory 数据集上评估了我们的模型；该数据集于真实场景中收集，包含来自智能手机与智能手表的数据。我们采用两层层级结构，共六个互斥标签，即“躺下”、“坐着”、“原地站立”、“行走”、“跑步”与“骑自行车”，并划分为“静止”与“非静止”。结果显示，我们的模型能以 95.8% 的准确率识别低层活动（静止/非静止），在六个标签上的总体准确率为 92.8%。这比我们表现最佳的基线高出 3%。
引用
@article{arxiv.2010.16052,
title = {HHAR-net: Hierarchical Human Activity Recognition using Neural Networks},
author = {Mehrdad Fazli and Kamran Kowsari and Erfaneh Gharavi and Laura Barnes and Afsaneh Doryab},
journal= {arXiv preprint arXiv:2010.16052},
year = {2020}
}
备注
Accepted in IHCI2020