基于卷积神经网络-双向长短期记忆网络的人体活动识别方法

摘要：

针对人体活动传感器数据的时序性特点,以及当前机器学习算法过度依赖手工特征提取的问题,提出了一种融合卷积神经网络和双向长短期记忆网络的深度学习模型(convolutional neural network-bidirectional long short term memory network,CNN-BiLSTM)进行人体活动识别(human activity recognition,HAR).首先对人体活动数据进行样本分割,然后采用卷积神经网络(convolutional neural networks,CNN)自动提取人体活动数据的特征,再通过双向长短时记忆网络(bi-directional long-short term memory,BiLSTM)学习人体活动数据特征在时间序列上前后两个方向的相关性,最后利用softmax分类器实现对人体活动分类.DaLiAc公开数据集上的仿真实验结果表明:基于CNN-BiLSTM网络的人体活动识别方法对13种人体活动的识别准确率达到了 97.7％,与仅具备时间特征学习的LSTM网络和BiLSTM网络相比,具有更好的识别分类效果.

关键词：人体活动识别(HAR)、卷积神经网络(CNN)、双向长短时记忆网络(BiLSTM)、深度学习、可穿戴传感器

所属期刊栏目：22

分类号：TP391(计算技术、计算机技术)

资助基金：河南省科技攻关项目;河南省高等学校重点科研项目;郑州轻工业大学青年骨干项目;国家自然科学基金;火灾科学国家重点实验室开放课题

在线出版日期：2022-04-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：1517-1525