Resumen

Los problemas de reconocimiento de la actividad humana (HAR) se han resuelto tradicionalmente utilizando características de ingeniería obtenidas por métodos heurísticos. Estos métodos ignoran la información temporal del flujo de datos del sensor y no pueden lograr un reconocimiento secuencial de la actividad humana. Con el uso de métodos tradicionales de aprendizaje estadístico, los resultados podrían caer fácilmente en el mínimo local distinto del óptimo global y también se enfrentan al problema de la baja eficiencia. Por lo tanto, proponemos un marco profundo híbrido basado en operaciones de convolución, unidades recurrentes LSTM y clasificador ELM; las ventajas son las siguientes: (1) no requiere conocimiento experto en la extracción de características; (2) modela la dinámica temporal de las características; y (3) es más adecuado para clasificar las características extraídas y acorta el tiempo de ejecución. Todas estas ventajas únicas lo hacen superior a otros algoritmos HAR. Evaluamos nuestro marco en el conjunto de datos OPPORTUNITY que se ha utilizado en el reto OPPORTUNITY. Los resultados muestran que nuestro método propuesto supera en un 6% a las redes profundas no recurrentes, y en un 8% al mejor resultado obtenido anteriormente. En comparación con las redes neuronales que utilizan el algoritmo BP, el tiempo de prueba se reduce en un 38%.

• Materias:Biotecnología Minería de datos Redes de sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology Data mining Sensor networks Sensor system Sensor technology
• Palabras claves:características, reconocimiento secuencial de la actividad humana, métodos tradicionales de aprendizaje estadístico, reconocimiento de la actividad humana, redes profundas no recurrentes, marco profundo híbrido, otros algoritmos har, transmisión de datos de sensores, algoritmo bp, clasificador elm
• Keywords:features, sequential human activity recognition, traditional statistical learning methods, human activity recognition, deep nonrecurrent networks, hybrid deep framework, other har algorithms, streaming sensor data, bp algorithm, elm classifier