理解与改进用于活动识别的深度神经网络

近年来，活动识别已成为普适计算领域一个热门的研究分支。大量实验表明，基于活动传感器的数据在活动识别中具有多样性、大体量和高速度的特征。深度学习技术及其各种模型是处理活动数据最有效的方式之一。然而，目前尚不清楚其为何表现如此优异，也不知如何使其更加有效。为解决该问题，首先，我们将卷积神经网络应用于“使用智能手机数据集的人体活动识别”(Human Activity Recognition Using Smartphones Data Set)。其次，我们实现了从神经网络中提取的基于传感器的活动数据特征的可视化。随后，我们对特征可视化进行了深入分析，探究了活动与特征之间的关系，并分析了神经网络如何基于这些特征识别活动。此后，我们提取与活动显著相关的特征，并将其送入基于DNN的融合模型，使分类率提升至96.1%。据我们所知，这是首项对抽象的基于传感器的活动数据特征进行可视化的工作。基于上述结果，本文所提方法有望实现对基于传感器的活动识别的准确分类。