基于深度学习的人类活动识别(HAR)方法在处理时间序列数据时存在手工特征提取过程复杂、复杂时序依赖性难以挖掘问题,如何有效自动提取人类活动的多尺度特征并挖掘时序前后的关联性特征,是提高HAR准确率的关键因素。为解决上述问题,提...基于深度学习的人类活动识别(HAR)方法在处理时间序列数据时存在手工特征提取过程复杂、复杂时序依赖性难以挖掘问题,如何有效自动提取人类活动的多尺度特征并挖掘时序前后的关联性特征,是提高HAR准确率的关键因素。为解决上述问题,提出一种多尺度一维卷积-双向门控循环单元(1DMCNN-BiGRU)模型。使用多尺度卷积提取精细化感知信号特征,同时融合双向门控循环单元(BiGRU)提取的前后整体信号的相关性特征,从而提高模型的识别准确率。在真实场景数据集USC-HAD、WISDM、PAMAP2上的实验结果表明,相较于次优的CNN-LSTM(Convolutional Neural Network with Long Short-Term Memory)模型,所提模型的识别准确率分别提高了1.06%、1.23%和1.71%,具有较高的识别准确度,验证了所提模型用于HAR的有效性。展开更多
文摘基于深度学习的人类活动识别(HAR)方法在处理时间序列数据时存在手工特征提取过程复杂、复杂时序依赖性难以挖掘问题,如何有效自动提取人类活动的多尺度特征并挖掘时序前后的关联性特征,是提高HAR准确率的关键因素。为解决上述问题,提出一种多尺度一维卷积-双向门控循环单元(1DMCNN-BiGRU)模型。使用多尺度卷积提取精细化感知信号特征,同时融合双向门控循环单元(BiGRU)提取的前后整体信号的相关性特征,从而提高模型的识别准确率。在真实场景数据集USC-HAD、WISDM、PAMAP2上的实验结果表明,相较于次优的CNN-LSTM(Convolutional Neural Network with Long Short-Term Memory)模型,所提模型的识别准确率分别提高了1.06%、1.23%和1.71%,具有较高的识别准确度,验证了所提模型用于HAR的有效性。
