Reducción de Dimensionalidad para el Reconocimiento de Actividades Humanas Usando Google Colab
Autores: Ray, Sujan; Alshouiliy, Khaldoon; Agrawal, Dharma P.
Idioma: Inglés
Editor: MDPI
Año: 2020
Acceso abierto
Artículo científico
2020
Reducción de Dimensionalidad para el Reconocimiento de Actividades Humanas Usando Google Colab
Categoría
Gestión y administración
Subcategoría
Gestión de la tecnología y la inovación
Palabras clave
Reconocimiento de actividad humana
Conjunto de datos de smartphone
Métodos de aprendizaje profundo
Red neuronal convolucional
Modelos de aprendizaje automático
Análisis de componentes principales
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
El reconocimiento de actividad humana (HAR) es una tarea de clasificación que implica predecir el movimiento de una persona basado en datos de sensores. Como podemos ver, ha habido un gran crecimiento y desarrollo de los teléfonos inteligentes en los últimos 10-15 años; podrían usarse como un medio de detección móvil para reconocer la actividad humana. Hoy en día, los métodos de aprendizaje profundo están en gran demanda y podríamos utilizar esos métodos para reconocer la actividad humana. Una gran manera es construir una red neuronal convolucional (CNN). HAR utilizando un conjunto de datos de teléfonos inteligentes ha sido ampliamente utilizado por investigadores para desarrollar modelos de aprendizaje automático para reconocer la actividad humana. El conjunto de datos tiene dos partes: entrenamiento y prueba. En este artículo, proponemos un enfoque híbrido para analizar y reconocer la actividad humana en el mismo conjunto de datos utilizando un método de aprendizaje profundo en una plataforma basada en la nube. Hemos aplicado análisis de componentes principales en el conjunto de datos para obtener las características más importantes. A continuación, hemos ejecutado el experimento para todas las características, así como para las 48, 92, 138 y 164 características principales. Hemos realizado todos los experimentos en Google Colab. En el experimento, para la evaluación de nuestra metodología propuesta, los conjuntos de datos se dividen en dos proporciones diferentes, como 70-10-20% y 80-10-10% para entrenamiento, validación y prueba, respectivamente. Hemos establecido el rendimiento de la CNN (70% entrenamiento - 10% validación - 20% prueba) con 48 características como un punto de referencia para nuestro trabajo. En este trabajo, hemos logrado una precisión máxima del 98.70% con la CNN. Por otro lado, hemos obtenido una precisión del 96.36% con las 92 características principales del conjunto de datos. Podemos ver a partir de los resultados experimentales que si pudiéramos seleccionar las características adecuadamente, no solo se podría mejorar la precisión, sino también el tiempo de entrenamiento y prueba del modelo.
Descripción
El reconocimiento de actividad humana (HAR) es una tarea de clasificación que implica predecir el movimiento de una persona basado en datos de sensores. Como podemos ver, ha habido un gran crecimiento y desarrollo de los teléfonos inteligentes en los últimos 10-15 años; podrían usarse como un medio de detección móvil para reconocer la actividad humana. Hoy en día, los métodos de aprendizaje profundo están en gran demanda y podríamos utilizar esos métodos para reconocer la actividad humana. Una gran manera es construir una red neuronal convolucional (CNN). HAR utilizando un conjunto de datos de teléfonos inteligentes ha sido ampliamente utilizado por investigadores para desarrollar modelos de aprendizaje automático para reconocer la actividad humana. El conjunto de datos tiene dos partes: entrenamiento y prueba. En este artículo, proponemos un enfoque híbrido para analizar y reconocer la actividad humana en el mismo conjunto de datos utilizando un método de aprendizaje profundo en una plataforma basada en la nube. Hemos aplicado análisis de componentes principales en el conjunto de datos para obtener las características más importantes. A continuación, hemos ejecutado el experimento para todas las características, así como para las 48, 92, 138 y 164 características principales. Hemos realizado todos los experimentos en Google Colab. En el experimento, para la evaluación de nuestra metodología propuesta, los conjuntos de datos se dividen en dos proporciones diferentes, como 70-10-20% y 80-10-10% para entrenamiento, validación y prueba, respectivamente. Hemos establecido el rendimiento de la CNN (70% entrenamiento - 10% validación - 20% prueba) con 48 características como un punto de referencia para nuestro trabajo. En este trabajo, hemos logrado una precisión máxima del 98.70% con la CNN. Por otro lado, hemos obtenido una precisión del 96.36% con las 92 características principales del conjunto de datos. Podemos ver a partir de los resultados experimentales que si pudiéramos seleccionar las características adecuadamente, no solo se podría mejorar la precisión, sino también el tiempo de entrenamiento y prueba del modelo.