Tragbare sensorbasierte Erkennung menschlicher Aktivitäten mithilfe hybrider Deep-Learning-Techniken

Die Erkennung menschlicher Aktivitäten (HAR) kann in vielen Anwendungen, einschließlich Altenpflege, Gesundheitsversorgung, Rehabilitation, Unterhaltung und Überwachung, von großem Nutzen sein. Viele bestehende Techniken, wie das Deep Learning, wurden für die spezifische Aktivitätserkennung entwickelt, jedoch wenig für die Erkennung der Übergänge zwischen Aktivitäten. Diese Arbeit schlägt ein auf Deep Learning basierendes Schema vor, das sowohl spezifische Aktivitäten als auch die Übergänge zwischen zwei verschiedenen Aktivitäten kurzer Dauer und niedriger Frequenz für Anwendungen im Gesundheitswesen erkennen kann. In dieser Arbeit bauen wir zunächst ein tiefes konvolutionales neuronales Netzwerk (CNN) auf, um Merkmale aus den von Sensoren gesammelten Daten zu extrahieren. Danach wird das Long Short-Term Memory (LSTM) Netzwerk verwendet, um langfristige Abhängigkeiten zwischen zwei Aktionen zu erfassen und die HAR-Identifikationsrate weiter zu verbessern. Durch die Kombination von CNN und LSTM wird ein tragbares sensorbasiertes Modell vorgeschlagen, das Aktivitäten und deren Übergänge genau erkennen kann. Die experimentellen Ergebnisse zeigen, dass der vorgeschlagene Ansatz die Erkennungsrate auf bis zu 95,87 % und die Erkennungsrate für Übergänge auf über 80 % verbessern kann, was besser ist als die meisten bestehenden ähnlichen Modelle im offenen HAPT-Datensatz.