Réseau Résiduel Profond Bidir-LSTM pour la Reconnaissance d'Activités Humaines à l'Aide de Capteurs Portables

La reconnaissance d'activités humaines (HAR) est devenue un sujet populaire dans la recherche en raison de son large domaine d'application. Avec le développement de l'apprentissage profond, de nouvelles idées ont émergé pour aborder les problèmes de HAR. Ici, une architecture de réseau profond utilisant la mémoire à long terme à court terme bidirectionnelle résiduelle (LSTM) est proposée. Les avantages du nouveau réseau incluent que la connexion bidirectionnelle peut concaténer la direction temporelle positive (état avant) et la direction temporelle négative (état arrière). Deuxièmement, les connexions résiduelles entre les cellules empilées agissent comme un raccourci pour les gradients, évitant efficacement le problème de la disparition du gradient. En général, le réseau proposé montre des améliorations tant sur les dimensions temporelles (utilisation de cellules bidirectionnelles) que spatiales (connexions résiduelles empilées), visant à améliorer le taux de reconnaissance. Lors des tests avec le dataset Opportunity et le dataset public UCI, la précision est significativement améliorée par rapport aux résultats précédents.