Resumen

Los sistemas de reconocimiento de actividad humana (HAR) son ampliamente utilizados en nuestras vidas, como en el cuidado de la salud, la seguridad y el entretenimiento. La mayoría de los modelos de reconocimiento de actividad se prueban en modo personal y su rendimiento es bastante bueno. Sin embargo, el HAR en modo impersonal sigue siendo un gran desafío. En este artículo, proponemos un modelo de agrupación escasa de actividad de dos capas (TASG), en el cual la primera capa agrupa las actividades en aproximadamente 24 grupos y la segunda capa identifica el tipo específico de actividades. Se diseña una nueva métrica de selección de características inspirada en el criterio de Fisher para medir la importancia de las características. Realizamos el experimento utilizando el modelo TASG con SVM, KNN, Random Forest y RNN, respectivamente. Las pruebas se realizaron en los conjuntos de datos HAPT, MobiAct y HASC-PAC2016. Los resultados experimentales muestran que el rendimiento de los clasificadores estándar ha mejorado al combinar el método TASG. Las características seleccionadas por la métrica propuesta son más efectivas que otros métodos de selección de características.

• Materias:Lector de pantalla Interfaz de usuario Localización en interiores Realidad virtual móvil Redes móviles
• Subjects:Screen reader User interface Indoor localization Mobile virtual reality Mobile networks
• Palabras claves:Reconocimiento de la actividad humana; Sistemas HAR; Modelo TASG; Métrica de selección de características; Resultados experimentales; Clasificadores estándar
• Keywords:Human activity recognition; HAR systems; TASG model; Feature selection metric; Experimental results; Standard classifiers