• 主题
高级搜索  >
历史搜索 清空历史
首页> 美国卫生研究院文献>Sensors (Basel Switzerland) >A Fast and Robust Deep Convolutional Neural Networks for Complex Human Activity Recognition Using Smartphone
【2h】

A Fast and Robust Deep Convolutional Neural Networks for Complex Human Activity Recognition Using Smartphone

机译：使用智能手机进行复杂人类活动识别的快速而强大的深度卷积神经网络

代理获取
本网站仅为用户提供外文OA文献查询和代理获取服务，本网站没有原文。下单后我们将采用程序或人工为您竭诚获取高质量的原文，但由于OA文献来源多样且变更频繁，仍可能出现获取不到、文献不完整或与标题不符等情况，如果获取不到我们将提供退款服务。请知悉。
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

As a significant role in healthcare and sports applications, human activity recognition (HAR) techniques are capable of monitoring humans’ daily behavior. It has spurred the demand for intelligent sensors and has been giving rise to the explosive growth of wearable and mobile devices. They provide the most availability of human activity data (big data). Powerful algorithms are required to analyze these heterogeneous and high-dimension streaming data efficiently. This paper proposes a novel fast and robust deep convolutional neural network structure (FR-DCNN) for human activity recognition (HAR) using a smartphone. It enhances the effectiveness and extends the information of the collected raw data from the inertial measurement unit (IMU) sensors by integrating a series of signal processing algorithms and a signal selection module. It enables a fast computational method for building the DCNN classifier by adding a data compression module. Experimental results on the sampled 12 complex activities dataset show that the proposed FR-DCNN model is the best method for fast computation and high accuracy recognition. The FR-DCNN model only needs 0.0029 s to predict activity in an online way with 95.27% accuracy. Meanwhile, it only takes 88 s (average) to establish the DCNN classifier on the compressed dataset with less precision loss 94.18%.
机译：人类活动识别（HAR）技术在医疗保健和体育应用中扮演着重要角色，能够监视人类的日常行为。它刺激了对智能传感器的需求，并引起了可穿戴和移动设备的爆炸性增长。它们提供了人类活动数据（大数据）的最大可用性。需要强大的算法来有效地分析这些异构和高维度的流数据。本文提出了一种用于智能手机的人类活动识别（HAR）的新型快速且强大的深度卷积神经网络结构（FR-DCNN）。通过集成一系列信号处理算法和信号选择模块，它提高了效率并扩展了从惯性测量单元（IMU）传感器收集的原始数据的信息。通过添加数据压缩模块，它启用了用于构建DCNN分类器的快速计算方法。对12个复杂活动数据集的实验结果表明，所提出的FR-DCNN模型是快速计算和高精度识别的最佳方法。 FR-DCNN模型仅需0.0029 s即可在线预测活动，准确率达95.27％。同时，在压缩后的数据集上建立DCNN分类器的平均时间仅为88 s，精度损失较小，为94.18％。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
代理获取

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号