面向腕戴式传感应用中心率估计与人类活动识别的优化卷积神经网络
信号处理
2020-04-02 v1 人机交互
机器学习
机器学习
摘要
腕戴式智能设备通过复杂分析为人类健康、行为与表现提供日益深入的洞察。然而，电池续航、设备成本以及面对运动相关伪影时的传感器性能，仍是必须进一步解决的挑战，方能实现有效应用并通过技术商品化获得更广泛采用。我们通过使用一种简单的光学测量——传统上用于腕戴式传感器心率检测的光电容积描记法（PPG）——证明可在低采样率下、无需惯性测量单元同时提供改进的心率与人类活动识别（HAR），从而应对这些挑战。这简化了硬件设计并降低了成本与功耗预算。我们应用两条深度学习流水线，一条用于人类活动识别，一条用于心率估计。HAR通过一种视觉分类方法实现，能在低采样率下保持鲁棒性能。此处利用迁移学习重新训练卷积神经网络（CNN）以区分不同人类活动期间PPG的特征。对于心率估计，我们使用用于回归的CNN，将含噪光信号映射为心率估计值。在两种情况下，均与领先的常规方法进行比较。我们的结果表明低采样频率可在不显著损失精度的情况下取得良好性能。5 Hz与10 Hz对HAR的分类准确率分别为80.2%与83.0%。这些相同的采样频率也产生了鲁棒的心率估计，可与在更耗能的256 Hz下所取得的估计相媲美。
引用
@article{arxiv.2004.00505,
title = {Optimised Convolutional Neural Networks for Heart Rate Estimation and Human Activity Recognition in Wrist Worn Sensing Applications},
author = {Eoin Brophy and Willie Muehlhausen and Alan F. Smeaton and Tomas E. Ward},
journal= {arXiv preprint arXiv:2004.00505},
year = {2020}
}