Conjuntos de Aprendizes Profundos LSTM para Reconhecimento de Atividades usando Dispositivos Vestíveis

Recentemente, métodos de aprendizado profundo (DL) foram introduzidos com muito sucesso em cenários de reconhecimento de atividades humanas (HAR) em computação ubíqua e vestível. Especialmente a perspectiva de superar a necessidade de design manual de características combinada com capacidades de classificação superiores torna as redes neurais profundas muito atraentes para aplicações de HAR na vida real. Embora as abordagens baseadas em DL agora superem o estado da arte em várias tarefas de reconhecimento, desafios substanciais ainda permanecem. Mais proeminentemente, problemas com conjuntos de dados da vida real, tipicamente incluindo conjuntos de dados desbalanceados e qualidade de dados problemática, ainda limitam a eficácia do reconhecimento de atividades usando dispositivos vestíveis. Neste artigo, enfrentamos tais desafios por meio de Conjuntos de redes Long Short Term Memory (LSTM) profundas. Redes LSTM atualmente representam o estado da arte com desempenho superior de classificação em conjuntos de dados de referência relevantes de HAR. Desenvolvemos procedimentos de treinamento modificados para redes LSTM e combinamos conjuntos de aprendizes LSTM diversos em coletivos de classificadores. Demonstramos que Conjuntos de aprendizes LSTM profundos superam redes LSTM individuais, empurrando assim o estado da arte no reconhecimento de atividades humanas usando dispositivos vestíveis. Através de uma extensa avaliação experimental em três benchmarks padrão (Opportunity, PAMAP2, Skoda), demonstramos as excelentes capacidades de reconhecimento de nossa abordagem e seu potencial para aplicações da vida real em reconhecimento de atividades humanas.