rTsfNet：一种带多头三维旋转与时间序列特征提取的DNN模型用于基于IMU的人体活动识别
人机交互
2024-02-08 v3 机器学习
摘要
尽管针对基于IMU的人体活动识别（HAR）领域已提出众多深度学习（DL）算法，利用手工时间序列特征（TSF）的传统机器学习仍常表现良好。DL与TSF的组合精度优于纯DL方法并不罕见。然而，基于IMU的HAR中时间序列特征存在一个问题：所派生特征的数量会因选择三维基的方法不同而有很大差异。幸运的是，DL的优势包括捕获输入数据特征并自适应派生参数。因此，作为用于基于IMU的人体活动识别（HAR）的新DNN模型，本文提出rTsfNet，一种带多头三维旋转与时间序列特征提取的DNN模型。rTsfNet通过在DNN内提取三维旋转参数，自动选择应从中派生特征的3D基。然后，基于众多研究者智慧的时间序列特征（TSF）被派生出来，利用MLP实现HAR。尽管rTsfNet是不使用CNN的模型，在管理良好的基准条件与多个数据集（UCI HAR、PAMAP2、Daphnet与OPPORTUNITY，均面向不同活动）下，其精度均高于现有模型。
引用
@article{arxiv.2310.19283,
title = {rTsfNet: a DNN model with Multi-head 3D Rotation and Time Series Feature Extraction for IMU-based Human Activity Recognition},
author = {Yu Enokibori},
journal= {arXiv preprint arXiv:2310.19283},
year = {2024}
}
备注
Updating abstract length to clear a submission target's requirement. Updating English quality. Updating the best results of OPPORTUNITY (not iSPL version) and PAMAP2