基于有限消费设备传感器与机器学习的人的活动识别模型
机器学习
2022-01-24 v1 密码学与安全
摘要
人的活动识别随着其在日常生活和医疗环境中应用的增多而日益普及。拥有高效可靠的人的活动识别可带来诸多益处，例如易用性和更好的资源分配，尤其在医疗行业。活动识别与分类可通过许多复杂的数据记录设置实现，但也需观察严格限于使用易获取设备（智能手机和智能手表）传感器数据的模型其性能如何变化。本文给出了限于使用此类传感器训练的不同模型的研究结果。这些模型使用 k-近邻（k-Nearest Neighbor）、支持向量机（Support Vector Machine）或随机森林（Random Forest）分类算法进行训练。通过比较多移动传感器不同组合下各模型的性能及其对模型识别性能的影响，完成性能评估。结果表明，严格使用仅由智能手机和智能手表收集的有限传感器数据，并结合传统机器学习概念与算法训练的模型具有良好前景。
引用
@article{arxiv.2201.08565,
title = {Human Activity Recognition models using Limited Consumer Device Sensors and Machine Learning},
author = {Rushit Dave and Naeem Seliya and Mounika Vanamala and Wei Tee},
journal= {arXiv preprint arXiv:2201.08565},
year = {2022}
}