用于位置信息辅助复杂人体行为识别的新型深度学习框架

随着近年来智能生活理念的普及和可穿戴终端技术的快速发展,基于传感器数据的人体行为识别(human activity recognition,HAR)已引起广泛关注,并且具有重要的学术研究和商业应用价值。该文研究了增强HAR模型对用户日常简单行为(simple activity,SA)和复杂行为(complex activity,CA)的识别,并提出了一个深度学习(deep learning,DL)模型。首先,使用两个可公开获取的数据集UCI HAR和Shoaib CHA,并对其进行标准化处理。其次,使用所提出的模型提取各种动作的特征,进行人体行为识别。鉴于用户行为和位置之间的高度关联,通过独热编码技术将位置信息集成到数据集中,以提高模型的分类性能。此外,将所提出的模型与8种经典机器学习(machine learning,ML)算法和6种DL算法进行了对比。最后,评估了不同行为类型对HAR模型识别性能的影响。实验结果表明,所提出的模型在UCI HAR和Shoaib CHA数据集上的最高分类准确率分别达到了96.77%和99.13%。通过向数据集添加位置信息,HAR模型对SA和CA的分类准确率得到了显著提高。