基于改进Transformer-BiLSTM的人体活动识别模型

针对可穿戴传感器采集的时间序列往往具有维度高、噪声大等缺点导致活动识别方法准确率下降的问题,提出了基于改进Transformer-BiLSTM的人体活动识别模型。模型采用了Transformer编码器在处理长距离依赖和并行化计算方面的优势来提高序列特征提取的效率;随后将特征传递给添加了跳跃残差连接的双向长短期记忆网络,两次残差连接代替大量卷积层的同时保留了有效信息;提出了一种集成有时间信息编码的注意力层增强了模型的表达能力和对时序数据的理解能力。实验结果表明,该模型在公开数据集上的准确率达到了98.38%,有效提高了人体活动识别的准确率。

基于多传感信息融合的跌倒监测系统开发

针对目前跌倒检测系统存在的检测准确率不高、实时性差等问题,设计了一种基于多传感信息融合的跌倒监测系统。该系统以ESP32微处理器为核心,利用智能手机内置的传感器、压力薄膜传感器以及MPU6050传感器进行数据采集,并通过小程序界面实时显示健康数据,提供监测和预警功能。提出了一种云边协同的联合判别跌倒检测方法,该方法结合了本地的多级阈值算法和云端的改进SSA-LSTM-Transformer算法和数据融合权重,算法经过公开数据集验证,准确率达到99.13%。最后,通过实验进行系统验证,实验结果表明,系统的跌倒检测准确率为97.67%,能够有效检测跌倒行为并实时定位和预警。