تعرّف نشاط الإنسان المستقل عن موضع الجهاز باستخدام أجهزة استشعار قابلة للارتداء مع الشبكات العصبية العميقة

تعرّف تقنية التعرف على نشاط الإنسان (HAR) حركات وأفعال الناس في الحياة اليومية. لقد نمى البحث في HAR مع ازدياد شعبية أجهزة الاستشعار القابلة للارتداء المتصلة بالإنترنت التي تلتقط بيانات حركة الإنسان للكشف عن الأنشطة. لقد مكّنت التقدّمات الحديثة في التعلم العميق من زيادة أبحاث وأبحاث تطبيقات HAR باستخدام بيانات من الأجهزة القابلة للارتداء. ومع ذلك، فإن الأبحاث السابقة في HAR غالبًا ما كانت تركز على عدد قليل من مواقع المستشعرات على الجسم. إن التعرف على الأنشطة في العالم الحقيقي يطرح تحديات عندما يكون وضع الجهاز غير مضبوط أو عندما تكون بيانات تدريب المستخدم الأولية غير متاحة. يحلل هذا البحث جدوى نماذج التعلم العميق لكل من HAR المعتمد على الموضع وغير المعتمد عليه. نقدم نموذج التعلم العميق المتبقي المتقدم الذي يُسمى Att-ResBiGRU، والذي يتفوق في التعرف الدقيق على النشاط المعتمد على الموضع ويوفر أداءً ممتازًا للتعرف على النشاط غير المعتمد على الموضع. نقيم هذا النموذج باستخدام ثلاثة مجموعات بيانات عامة لـ HAR: Opportunity وPAMAP2 وREALWORLD16. يتم إجراء مقارنات مع الهياكل المعمارية للتعلم العميق المنشورة سابقًا لمعالجة تحديات HAR. يتفوق نموذج Att-ResBiGRU المقترح على التقنيات الحالية من حيث الدقة، وفقدان الانتروبي المتقاطع، ودرجة F1 عبر جميع المجموعات الثلاث. نقيم النموذج باستخدام التحقق المتقاطع k-fold. يحقق Att-ResBiGRU درجات F1 بنسبة 86.69%، 96.23%، و96.44% على مجموعات بيانات PAMAP2 وREALWORLD16 وOpportunity، متجاوزًا النماذج الحديثة عبر جميع المجموعات. تُظهر تجاربنا وتحليلنا الأداء الاستثنائي لنموذج Att-ResBiGRU لتطبيقات HAR.