基于深度学习模型利用智能手机与智能手表传感器数据的人体活动识别
信号处理
2021-03-08 v1 机器学习
摘要
近年来，由于加速度计和陀螺仪等传感器在智能手机和智能手表等产品中的广泛部署，人体活动识别在工业界和学术界研究中都引起了相当大的关注。活动识别目前应用于各种需要关于个体功能能力和生活方式的有价值信息的领域。在本研究中，我们使用了流行的WISDM数据集进行活动识别。利用协方差多元分析（MANCOVA），我们确立了智能手机和智能手表内嵌传感器所生成数据之间的统计显著差异（p<0.05）。通过这一点，我们表明智能手机和智能手表由于其佩戴位置不同而以不同方式捕获数据。我们部署了多种神经网络架构来对15种不同的手部与非手部导向活动进行分类。这些模型包括长短期记忆网络（LSTM）、双向长短期记忆网络（BiLSTM）、卷积神经网络（CNN）和卷积长短期记忆网络（ConvLSTM）。所开发的模型在手表加速度计数据上表现最佳。此外，我们看到在15项活动中的12项，卷积输入分类器（CNN和ConvLSTM）所获得的分类精度高于端到端LSTM分类器。另外，与手部导向活动相比，手表加速度计的CNN模型更能对非手部导向活动进行分类。
引用
@article{arxiv.2103.03836,
title = {Human Activity Recognition using Deep Learning Models on Smartphones and Smartwatches Sensor Data},
author = {Bolu Oluwalade and Sunil Neela and Judy Wawira and Tobiloba Adejumo and Saptarshi Purkayastha},
journal= {arXiv preprint arXiv:2103.03836},
year = {2021}
}
备注
HEALTHINF21 at the 14th International Joint Conference on Biomedical Engineering Systems and Technologies (BIOSTEC 2021)