Mémoire Longue Courte Bidirectionnelle Multicolonne pour la Reconnaissance d'Activités Humaines Basée sur Appareils Mobiles

La popularité croissante des appareils mobiles équipés d'accéléromètres a offert l'opportunité de capturer les aspects sémantiques de l'activité humaine et d'améliorer l'expérience utilisateur avec des recommandations basées sur le comportement. Ces fonctions dépendent fortement de l'exactitude de la reconnaissance d'activités humaines, et donc les applications réelles utilisant des systèmes de reconnaissance d'activités humaines basés sur des appareils mobiles (MARS) doivent incorporer sans effort les informations contenues dans les nouveaux échantillons d'entraînement étiquetés. Motivés par le succès de la fonction d'apesanteur, nous proposons une nouvelle caractéristique bidirectionnelle pour la mémoire longue courte bidirectionnelle (BLSTM) pour l'apprentissage incrémental dans la reconnaissance d'activités humaines. Pour améliorer encore les performances, nous présentons également un nouveau classificateur d'ensemble appelé MBLSTM (Mémoire Longue Courte Bidirectionnelle Multicolonne), qui combine efficacement différentes caractéristiques de signaux d'accélération pour améliorer davantage la précision de la reconnaissance d'activités. Les expériences sur le jeu de données d'activités humaines basé sur des appareils mobiles naturel suggèrent que MBLSTM est supérieur à d'autres méthodes MARS de pointe.