La fonctionnalité de recherche est en construction.
La fonctionnalité de recherche est en construction.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

The Effect of Axis-Wise Triaxial Acceleration Data Fusion in CNN-Based Human Activity Recognition L'effet de la fusion de données d'accélération triaxiale par axe dans la reconnaissance de l'activité humaine basée sur CNN

Xinxin HAN, Jian YE, Jia LUO, Haiying ZHOU

  • Vues en texte intégral

    0

  • Citer

Résumé:

L'accéléromètre triaxial est l'un des capteurs les plus importants pour la reconnaissance de l'activité humaine (HAR). Il a été observé que les relations entre les axes d'un accéléromètre triaxial jouent un rôle important dans l'amélioration de la précision de la reconnaissance d'activité. Cependant, les recherches existantes se concentrent rarement sur ces relations, mais plutôt sur la fusion de plusieurs capteurs. Dans cet article, nous proposons une approche de réseau neuronal convolutif (CNN) basée sur la fusion de données pour utiliser efficacement les relations entre les axes. Nous concevons une méthode de fusion de données monocanal et une méthode de fusion de données multicanaux en tenant compte des formats diversifiés de données de capteurs. Après avoir obtenu les données fusionnées, un CNN est utilisé pour extraire les caractéristiques et effectuer une classification. Les expériences montrent que l’approche proposée présente un avantage en termes de précision par rapport à CNN. De plus, le modèle monocanal atteint une précision de 98.83 % avec l’ensemble de données WISDM, ce qui est supérieur à celui des méthodes de pointe.

Publication
IEICE TRANSACTIONS on Information Vol.E103-D No.4 pp.813-824
Date de publication
2020/04/01
Publicisé
2020/01/14
ISSN en ligne
1745-1361
DOI
10.1587/transinf.2018EDP7409
Type de manuscrit
PAPER
Catégories
Intelligence artificielle, exploration de données

Auteurs

Xinxin HAN
  North University of China,Chinese Academy of Sciences
Jian YE
  Chinese Academy of Sciences,Beijing Key Laboratory of Mobile Computing and Pervasive Device
Jia LUO
  Beijing University of Technology
Haiying ZHOU
  North University of China

Mots-clés

Table des matières