Reconnaissance d'activité humaine avec des capteurs inertiels utilisant une approche d'apprentissage profond

Notre focus dans cette recherche est sur l'utilisation d'approches d'apprentissage profond pour le scénario de reconnaissance d'activité humaine (HAR), dans lequel les entrées sont des signaux multicanaux de séries temporelles acquis à partir d'un ensemble de capteurs inertiels portés sur le corps et les sorties sont des activités humaines prédéfinies. Ici, nous présentons une méthode d'apprentissage de caractéristiques qui déploie des réseaux de neurones convolutifs (CNN) pour automatiser l'apprentissage des caractéristiques à partir des entrées brutes de manière systématique. L'influence de divers hyper-paramètres importants tels que le nombre de couches convolutionnelles et la taille du noyau sur la performance des CNN a été observée. Les résultats expérimentaux indiquent que les CNN ont obtenu un gain de temps significatif dans le calcul et la décision de la classe finale et une amélioration marginale de la précision globale de classification par rapport aux modèles de référence tels que les machines à vecteurs de support et les réseaux de perceptrons multicouches.