Svsl: un método de reconocimiento de actividad humana que utiliza votación suave y autoaprendizaje
Autores: Albeshri, Aiiad
Idioma: Inglés
Editor: MDPI
Año: 2021
Acceso abierto
Artículo científico
2021
Svsl: un método de reconocimiento de actividad humana que utiliza votación suave y autoaprendizaje
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería de Software
Palabras clave
Ciudad inteligente
Reconocimiento de actividad humana
HAR
Método SVSL
Aprendizaje Profundo
Acelerómetro
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 21
Citaciones: Sin citaciones
Muchas aplicaciones inteligentes de ciudad y sociedad como la salud inteligente (cuidado de personas mayores, aplicaciones médicas), vigilancia inteligente, deportes y robótica requieren el reconocimiento de las actividades de los usuarios, una clase importante de problemas conocida como reconocimiento de actividad humana (HAR). Varios problemas han obstaculizado el progreso en la investigación de HAR, especialmente debido a la emergencia de la computación en la niebla y en el borde, que trae muchas nuevas oportunidades (una baja latencia, toma de decisiones dinámica y en tiempo real, etc.) pero también presenta sus desafíos. Este documento se centra en abordar dos brechas importantes en la investigación de HAR: (i) mejorar la precisión de predicción de HAR y (ii) gestionar los cambios frecuentes en el entorno y los datos relacionados con las actividades de los usuarios. Para abordar esto, proponemos un método HAR basado en Soft-Voting y Self-Learning (SVSL). SVSL utiliza dos estrategias. Primero, para mejorar la precisión, combina las capacidades de Deep Learning (DL), Modelo Lineal Generalizado (GLM), Random Forest (RF) y clasificadores AdaBoost utilizando soft-voting. Segundo, para clasificar las instancias de datos más desafiantes, el método SVSL está equipado con un mecanismo de autoaprendizaje que genera datos de entrenamiento y se reentrena a sí mismo. Investigamos el rendimiento de nuestro método SVSL propuesto utilizando dos conjuntos de datos disponibles públicamente sobre seis actividades humanas relacionadas con las posiciones de acostarse, sentarse y caminar. El primer conjunto de datos consta de 562 características y el segundo conjunto de datos consta de cinco características. Los datos se recopilan utilizando los sensores de acelerómetro y giroscopio del teléfono inteligente. Los resultados muestran que el método propuesto proporciona una precisión de predicción mejor en un 6.26%, 1.75%, 1.51% y 4.40% (promedio en los dos conjuntos de datos) en comparación con GLM, DL, RF y AdaBoost, respectivamente. También analizamos y comparamos el rendimiento por clase de los métodos SVSL con el de DL, GLM, RF y AdaBoost.
Descripción
Muchas aplicaciones inteligentes de ciudad y sociedad como la salud inteligente (cuidado de personas mayores, aplicaciones médicas), vigilancia inteligente, deportes y robótica requieren el reconocimiento de las actividades de los usuarios, una clase importante de problemas conocida como reconocimiento de actividad humana (HAR). Varios problemas han obstaculizado el progreso en la investigación de HAR, especialmente debido a la emergencia de la computación en la niebla y en el borde, que trae muchas nuevas oportunidades (una baja latencia, toma de decisiones dinámica y en tiempo real, etc.) pero también presenta sus desafíos. Este documento se centra en abordar dos brechas importantes en la investigación de HAR: (i) mejorar la precisión de predicción de HAR y (ii) gestionar los cambios frecuentes en el entorno y los datos relacionados con las actividades de los usuarios. Para abordar esto, proponemos un método HAR basado en Soft-Voting y Self-Learning (SVSL). SVSL utiliza dos estrategias. Primero, para mejorar la precisión, combina las capacidades de Deep Learning (DL), Modelo Lineal Generalizado (GLM), Random Forest (RF) y clasificadores AdaBoost utilizando soft-voting. Segundo, para clasificar las instancias de datos más desafiantes, el método SVSL está equipado con un mecanismo de autoaprendizaje que genera datos de entrenamiento y se reentrena a sí mismo. Investigamos el rendimiento de nuestro método SVSL propuesto utilizando dos conjuntos de datos disponibles públicamente sobre seis actividades humanas relacionadas con las posiciones de acostarse, sentarse y caminar. El primer conjunto de datos consta de 562 características y el segundo conjunto de datos consta de cinco características. Los datos se recopilan utilizando los sensores de acelerómetro y giroscopio del teléfono inteligente. Los resultados muestran que el método propuesto proporciona una precisión de predicción mejor en un 6.26%, 1.75%, 1.51% y 4.40% (promedio en los dos conjuntos de datos) en comparación con GLM, DL, RF y AdaBoost, respectivamente. También analizamos y comparamos el rendimiento por clase de los métodos SVSL con el de DL, GLM, RF y AdaBoost.