Resumen

Con la acumulación de datos y el desarrollo de la inteligencia artificial, el reconocimiento de la actividad humana atrae mucho la atención de los investigadores. Muchos algoritmos clásicos de aprendizaje automático, como las redes neuronales artificiales, las redes neuronales feed forward, los vecinos más próximos K y las máquinas de vectores de soporte, consiguen buenos resultados en la detección de la actividad humana. Sin embargo, estos algoritmos tienen sus propias limitaciones y su precisión de predicción aún puede mejorar. En este estudio, nos centramos en K-nearest neighbors (KNN) y resolvemos sus limitaciones. En primer lugar, se emplea el método del kernel en el modelo KNN, que transforma las características de entrada en características de alta dimensión. El modelo KNN propuesto con kernel (K-KNN) mejora la precisión de la clasificación. En segundo lugar, se propone un nuevo método de kernel reducido que se utiliza en el modelo K-KNN, denominado KNN de kernel reducido (RK-KNN). Reduce el tiempo de procesamiento y mejora el rendimiento de la clasificación. Además, este estudio propone un enfoque para definir el número de vecinos K, que reduce el problema de dependencia de los parámetros. En base a los trabajos experimentales, el RK-KNN propuesto obtiene el mejor rendimiento en benchmarks y conjuntos de datos de actividad humana en comparación con otros modelos. Tiene una gran capacidad de clasificación en el reconocimiento de la actividad humana. La precisión de los datos de actividad humana es del 91,60 en HAPT y del 92,67 en Smartphone, respectivamente. En promedio, en comparación con el KNN convencional, el modelo propuesto RK-KNN aumenta la precisión en un 1,82 y disminuye la desviación estándar en 0,27. La pequeña diferencia de tiempo de procesamiento entre KNN y RK-KNN en todos los conjuntos de datos es de sólo 1,26 segundos.

• Materias:Infraestructura de transportes Ingeniería del transporte Accidentes de transito Seguridad del transporte Planificación de ruta
• Subjects:Transport infrastructure Transport engineering Traffic accidents Transport safety Path planning
• Palabras claves:knn, reconocimiento de actividad humana, precisión, método kernel, modelo knn, vecinos más cercanos, tiempo de procesamiento, máquina many classic, red neuronal artificial, datos de actividad humana
• Keywords:knn, human activity recognition, accuracy, kernel method, model knn, nearest neighbors, processing time, many classic machine, artificial neural network, human activity data