检索结果-内蒙古大学图书馆

石化技术 2025年第1期32卷 308-310页

作者：王祥波李晨琛崔浩宇长庆油田数字和智能化事业部陕西西安710018

分析了近五年以来发表的有关人类活动识别(Human Activity Recognition,HAR)文献的现状,并针对各研究的任务应用领域对相关技术进行了分类、统计、以及数据分析。这些任务领域中,表现最好且使用人数最多的技术为卷积神经网络、长短时记... 详细信息

分析了近五年以来发表的有关人类活动识别(Human Activity Recognition,HAR)文献的现状,并针对各研究的任务应用领域对相关技术进行了分类、统计、以及数据分析。这些任务领域中,表现最好且使用人数最多的技术为卷积神经网络、长短时记忆网络和支持向量机。大多数现有研究集中在日常生活活动上,其次是基于个人和基于群体的活动的用户活动,关于检测实时活动的文献则很少。异常检测技术作为实时活动和用户活动检测的关键技术,其研究有待进一步深入和探讨,本文列举了两个异常检测中表现良好的方法,在基于姿势的异常检测领域验证了其有效性,并讨论了其特点,为未来的异常检测、实时活动和用户活动的技术发展提供了思路参考。

关键词：人类活动识别异常检测人工智能视频

来源：评论

学校读者我要写书评

暂无评论

基于信号处理和机器学习的人类活动识别研究

引用

工业技术与职业教育 2025年第2期23卷 1-7页

作者：殷建艳唐山幼儿师范高等专科学校河北唐山063000

人类活动检测是行为识别领域的重要任务,其中跌倒检测因其安全性和紧急干预需求而备受关注。结合信号处理技术与机器学习模型,对人类活动检测任务进行了系统研究,并重点分析了跌倒检测的性能表现。实验结果表明,各模型均表现良好,并在... 详细信息

人类活动检测是行为识别领域的重要任务,其中跌倒检测因其安全性和紧急干预需求而备受关注。结合信号处理技术与机器学习模型,对人类活动检测任务进行了系统研究,并重点分析了跌倒检测的性能表现。实验结果表明,各模型均表现良好,并在不同任务中展现出各自的优势。为跌倒检测系统的开发提供了重要参考,同时为活动检测模型的优化奠定了基础。

关键词：信号预处理机器学习人类活动识别

来源：评论

学校读者我要写书评

暂无评论

基于改进MLN的人类活动识别新方法

引用

计算机工程与应用 2017年第17期53卷 20-25,76页

作者：苏雷李冠宇田广强大连海事大学信息科学与技术学院辽宁大连116026

针对人类活动识别中存在的检测不确定问题,改进了马尔可夫逻辑网络(MLN)中势函数的计算方法。即软化一阶逻辑中关系运算符,使特征函数的取值范围从布尔值扩展到[0,1]区间;计算传感器事件的可信度,来获取所对应闭原子为真的概率。将改进... 详细信息

针对人类活动识别中存在的检测不确定问题,改进了马尔可夫逻辑网络(MLN)中势函数的计算方法。即软化一阶逻辑中关系运算符,使特征函数的取值范围从布尔值扩展到[0,1]区间;计算传感器事件的可信度,来获取所对应闭原子为真的概率。将改进的MLN方法与本体结合,提出混合识别框架并实现了相应算法。仿真实验结果表明,在包含错误的数据集ADL-E下,改进的MLN仍能保持较高的准确率。

关键词：检测不确定人类活动识别马尔可夫逻辑网络事件可信度活动本体

来源：评论

学校读者我要写书评

暂无评论

基于Wavelet-CNN网络的人类活动识别技术

引用

无线电工程 2022年第4期52卷 590-597页

作者：张琳易卿武黄璐于乃文河北科技大学信息科学与工程学院河北石家庄050018 卫星导航系统与装备技术国家重点实验室河北石家庄050081

针对传统的识别方法不能满足人类活动识别(Human Activity Recognition,HAR)技术研究需求的现状,提出了一种基于小波变换和卷积神经网络(Convolutional Neural Networks,CNN)相结合的深度学习模型。将多通道传感器的波形数据通过小波变... 详细信息

针对传统的识别方法不能满足人类活动识别(Human Activity Recognition,HAR)技术研究需求的现状,提出了一种基于小波变换和卷积神经网络(Convolutional Neural Networks,CNN)相结合的深度学习模型。将多通道传感器的波形数据通过小波变换分解并重组作为输入。利用不同卷积核的CNN高效提取多维特征,使用最大池化层对人体无意识抖动引起的干扰噪声进行滤波操作。经过全连接层输出分类,实现对人体活动状态的准确识别。实验分别从模型收敛速度、损耗和精度三方面评估了模型性能,并在OPPORTUNITY公共数据集上与较先进的识别模型进行了对比。实验结果表明,提出的小波变化卷积网络Wavelet-CNN实现了91.65%的F1分数,具有更高的活动识别能力。

关键词：人类活动识别小波变换卷积神经网络传感器

来源：评论

学校读者我要写书评

暂无评论

基于开集类增量学习的人类活动识别研究

引用

实验技术与管理 2023年第2期40卷 40-47页

作者：郇战周帮文王澄董晨辉刘艳王佳晖常州大学微电子与控制工程学院江苏常州213000 常州大学计算机与人工智能学院阿里云大数据学院江苏常州213000

通过可穿戴传感器采集的时间序列信号进行人类活动识别(HAR)需基于训练样本的已知类别进行,然而现实中可能面临不断增加的新类别数据,将新类别数据与已知类别有效区分是现阶段人类活动识别的研究热点。类增量学习旨在目标数据不断增加... 详细信息

通过可穿戴传感器采集的时间序列信号进行人类活动识别(HAR)需基于训练样本的已知类别进行,然而现实中可能面临不断增加的新类别数据,将新类别数据与已知类别有效区分是现阶段人类活动识别的研究热点。类增量学习旨在目标数据不断增加时用新的知识更新已有模型,同时开集识别算法可以为分类器提供拒绝选项,以便识别出模型未见过的目标类型。该文设计了一种基于类增量学习的开集动作识别框架,该框架能够连续识别和学习新的未知类,将极值模型(EVM)与增量学习相结合,对于特征进行PCA降维,分别计算特征之间的余弦、欧式和曼哈顿距离,对新数据进行学习和识别。仿真实验结果表明,对比现有的模拟开集工作,该文所提出的模型在UCI和PAMAP2数据集上具有良好的表现,其中经过PCA降维和计算余弦距离取得了更高的精度。在类增量学习实验中,该模型既能够保持良好的精度,同时也能有效地辨别新类。

关键词：增量学习开集识别人类活动识别极值模型 PCA降维

来源：评论

学校读者我要写书评

暂无评论

一种轻量化的CNN人类活动识别模型

引用

控制工程 2024年

作者：简献忠刘冰岩黄宏上海理工大学光电信息与计算机工程学院

针对当前人类活动识别模型识别精度不高，模型参数多的问题，提出了一种轻量化的卷积神经网络（Convolutional Neural Network， CNN）人类活动识别模型。首先，对传感器数据进行预处理；然后将处理好的数据输入到CNN模型中识别人体的... 详细信息

针对当前人类活动识别模型识别精度不高，模型参数多的问题，提出了一种轻量化的卷积神经网络（Convolutional Neural Network， CNN）人类活动识别模型。首先，对传感器数据进行预处理；然后将处理好的数据输入到CNN模型中识别人体的具体活动；最后将SE（Squeeze-and-Excitation）注意力模块嵌入特征提取主干网络中，为各个卷积通道分配不同的权重，强化关键特征，提高模型精度。在UCI-HAR，WISDM和OPPORTUNITY三个公共数据集上对模型性能进行了评估，该模型在UCI-HAR数据集上的F1-Score为97.54%，参数为17198个；在WISDM数据集上的F1-Score为97.66%，参数为16622个；在OPPORTUNITY数据集上的F1-Score为82.38%，参数为27545个，与现有的先进人类活动识别模型相比，识别精度更高，模型参数更少，模型泛化能力更强。

关键词：人类活动识别轻量级网络卷积神经网路注意力模块深度可分离卷积

来源：评论

学校读者我要写书评

暂无评论

基于CNN-BiLSTM-SA网络的人类活动识别

引用

西安理工大学学报 2024年第2期40卷 253-259,290页

作者：王赛张立新陈乃源阚希王军昂吴凯枫南京信息工程大学自动化学院江苏南京210044 无锡学院江苏无锡214105

针对传统的神经网络对人类活动行为识别精度不高的问题,本文提出了一种基于双通道机制的卷积神经网络叠加双向长短期记忆网络和自注意力的混合网络模型(convolutional neural network-bi-directional long short-term memory-self-atten... 详细信息

针对传统的神经网络对人类活动行为识别精度不高的问题,本文提出了一种基于双通道机制的卷积神经网络叠加双向长短期记忆网络和自注意力的混合网络模型(convolutional neural network-bi-directional long short-term memory-self-attention,CNN-BiLSTM-SA)。首先将数据集中的加速度和角速度数据作为网络的两个输入,然后使用卷积神经网络叠加双向长短期记忆网络的模式搭建系统,最后引入自注意力机制增强系统的分类能力。实验结果表明,在UCI-HAR数据集中,本网络的平均F 1分数达到98.6%,平均准确率达到98.4%,比卷积神经网络叠加长短期记忆神经网络模型(convolutional neural network-long short-term memory,CNN-LSTM)收敛速度更快并且准确率提高了4.2%,在人类活动识别方面,具有更广阔的应用前景。

关键词：人类活动识别传感器 CNN-BiLSTM 自注意力机制

来源：评论

学校读者我要写书评

暂无评论

面向非独立同分布数据下的人类活动识别研究

面向非独立同分布数据下的人类活动识别研究

引用

作者：申强吉林大学

学位级别：博士

人类活动识别作为普适计算中的重要研究方向,旨在通过传感器数据信号感知人体的运动特征信息,分析和识别人体当前活动状态。而在实际应用场景中,不同用户、不同环境下的传感器数据分布差异较大,导致模型训练过程中的训练集和测试集之间... 详细信息

人类活动识别作为普适计算中的重要研究方向,旨在通过传感器数据信号感知人体的运动特征信息,分析和识别人体当前活动状态。而在实际应用场景中,不同用户、不同环境下的传感器数据分布差异较大,导致模型训练过程中的训练集和测试集之间的分布存在差异,进而无法有效地训练活动识别模型,这种现象被定义为数据非独立同分布。为了解决数据非独立同分布造成的模型性能下降问题,现有研究通常采用两种方法:一是基于个性化人类活动识别模型针对不同领域或用户的数据进行自适应的模型训练;二是基于跨领域人类活动识别进行跨领域模型迁移来提升模型的准确性。然而,现有的跨域和个性化人类活动识别方法仍面临诸多挑战。第一,个性化人类活动识别缺乏对用户隐私信息的保护并且缺乏对个性化特征的提取。第二,跨域人类活动识别模型存在“负迁移”现象和不可解释性。第三,个性化活动识别存在新用户的模型“冷启动”问题。第四,个性化活动识别任务中用户不同情境下的数据异质性导致模型性能下降。第五,个性化活动识别中联邦学习模型低效性问题。针对以上挑战,本文基于模型个性化和领域自适应方法展开人类活动识别问题的研究。本文主要研究内容如下:第一,针对个性化活动识别任务中的数据异质性和数据隐私问题,本文提出了一种联邦多任务注意力模型。该模型不仅可以有效提取多模态传感器数据中的全局共享特征,也可以基于个性化注意力机制提取用户的个性化特征,同时有效保护用户隐私。此外,为了评价模型在真实应用场景的性能,本文构建大规模基于传感器的人类活动识别数据集。在四个公开基准数据集上得到的实验结果证明了模型的优越性。第二,针对跨域活动识别任务中的“负迁移”现象和不可解释性问题,本文提出了一种针对跨用户人类活动识别的简单有效的元迁移模型。该模型原理是采用基于可解释元特征的线性加权评分函数对源域进行排名和选择。在训练阶段,该模型使用元学习模型并基于贝叶斯优化来训练领域选择模块的参数。实验结果表明,该模型能有效提升性能,并可以基于可解释的元特征提供可解释性分析。此外,该模型在小样本数据集和存在数据缺失的数据集上具有良好的表现。第三,针对传感器特征分布差异导致的跨用户活动识别的“冷启动”问题,本文提出了一种基于联邦元学习架构的多样性感知活动识别模型。该模型首先通过聚类模块对相似用户进行分组,再通过全局特征提取网络提取所有用户之间的共享特征,并通过每个分布式网络中的注意力模块提取每组用户的特定特征。该模型将元学习应用于联邦学习架构中,并且可以高效地为新用户训练个性化网络。此外,大量用户收集传感器数据和用户信息,并构建更大规模的数据集来评价模型性能。在真实世界数据集上的实验结果表明,该模型具有更好的泛化能力。第四,针对个性化活动识别任务中不同情境下的跨域活动识别性能下降问题,本文提出了一种基于分层多任务学习技术的活动和情境识别模型。首先,为了建模用户之间的差异性与相似性,该模型应用多任务学习模型将不同个体的活动识别视为多个相关任务联合训练。其次,为了建模活动与情境之间的相关性,该模型进一步将每个用户的情境识别作为活动识别的辅助任务,进而提取情境与活动的之间的隐式关系。大量实验结果表明,在跨域活动识别任务中利用情境信息和使用多任务学习可以有效提升模型性能。最后,针对个性化活动识别中联邦学习模型低效性和数据标注成本问题,本文提出了一种聚类联邦学习方法,从特征偏移的层面利用客户端本地的批正则化层处理非独立同分布的数据,并通过计算模型参数相似度的方法实现客户端的无监督分类,从而提升模型的鲁棒性和训练过程中的收敛速度。在四个数据集上的大量实验表明,该方法与经典的联邦学习方法相比具有更好的性能和更高的效率。

关键词：人类活动识别领域自适应多任务学习迁移学习联邦学习

来源：评论

学校读者我要写书评

暂无评论

基于人类活动识别辅助的行人航位推算定位方法

引用

无线电工程 2022年第10期52卷 1803-1812页

作者：张琳张冬雯易卿武黄璐王新健河北科技大学信息科学与工程学院河北石家庄050018 卫星导航系统与装备技术国家重点实验室河北石家庄050081

针对传统的行人航位推算(Pedestrian Dead Reckoning,PDR)算法无法适应目标在不同运动状态下的可靠定位问题,设计并提出了一种基于深度学习进行人类活动识别(Human Activity Recognition,HAR)辅助PDR的定位方法。在离线阶段使用Wavelet-... 详细信息

针对传统的行人航位推算(Pedestrian Dead Reckoning,PDR)算法无法适应目标在不同运动状态下的可靠定位问题,设计并提出了一种基于深度学习进行人类活动识别(Human Activity Recognition,HAR)辅助PDR的定位方法。在离线阶段使用Wavelet-CNN深度学习网络对智能手机内置MEMS传感器数据进行预处理和训练,得到HAR模型。在线实时定位阶段,基于HAR模型识别目标不同运动状态并自适应地调整行人步数检测及步长估计算法。在智能手机上实现了基于HAR辅助的PDR算法,并在试验环境下开展了大量的测试验证。实验结果表明,提出的基于深度学习进行HAR辅助PDR的定位方法能够准确识别多种复杂的人类运动状态,识别精度高达99.50%。同时,较先进PDR步数识别算法准确率提高了10.94%,最大定位误差降低约16.2%,验证了所提算法的有效性。

关键词：行人航位推算人类活动识别卷积神经网络智能手机室内定位深度学习

来源：评论

学校读者我要写书评

暂无评论

基于平衡采样的主动半监督学习人类活动识别研究

引用

传感器与微系统 2024年第7期43卷 63-66,71页

作者：郇战刘艳李志新董晨辉周帮文秦王盛常州大学微电子与控制工程学院江苏常州213000 常州大学计算机与人工智能学院阿里云大数据学院江苏常州213000

基于可穿戴传感器的人类活动识别研究逐渐受到人们的广泛关注。本文提出了一种基于平衡采样的主动半监督模型,在挑选样本进行标注时,将样本的不确定性和多样性一并考虑在内,挑选出类别平衡的不确定性样本。确保训练后的模型对每个类都... 详细信息

基于可穿戴传感器的人类活动识别研究逐渐受到人们的广泛关注。本文提出了一种基于平衡采样的主动半监督模型,在挑选样本进行标注时,将样本的不确定性和多样性一并考虑在内,挑选出类别平衡的不确定性样本。确保训练后的模型对每个类都有很好的识别性能,从而提升整体分类结果。同时,为了全部利用标记和未标记样本的信息,将主动学习和半监督学习相结合,利用损失项信息不断更新网络参数,提升模型在低注释下的识别性能。该模型在2个公开数据集上得到了验证,在确保获得较优分类准确率的同时,可以大大减少样本的人工标注工作。

关键词：主动学习半监督学习查询策略人类活动识别

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：