面向手機傳感器活動識別的深度神經網絡對比研究.pdf

1、隨著現(xiàn)代生活節(jié)奏的加快，年輕人由于學業(yè)壓力或工作壓力的增加而越來越忽視自身的健康，同時年輕人的壓力過大使他們沒有很多的時間來陪伴家中的老人，在老年人發(fā)生意外的時候無法及時地對其進行救助，因此有必要對人們的日常活動進行監(jiān)測和識別，以便及時地對自身健康進行反饋或者對發(fā)生意外的老人進行及時救助。利用嵌入便攜式設備的傳感器對人類活動信息進行收集，對信息進行分析來識別人類活動是目前研究的熱點之一。深度神經網絡可以直接對不經過特別處理的原始數據進行

2、分析，并可以進行“自主學習”，與傳統(tǒng)的分類方法相比，前者具有獨特的優(yōu)勢。本文主要介紹了不同的深度神經網絡結構，隨后利用不同的網絡對由傳感器收集的人類活動信號進行分類識別。
　　本文主要進行了以下工作：
　　首先，以LeNet-5網絡為例介紹了卷積神經網絡(Convolutional Neural Network，CNN)，對其各部分的功能進行了分析，隨后介紹了CNN的訓練過程，并對使用嵌入手機內傳感器收集到的WISDM人類活

3、動數據集進行活動識別處理。說明與Logistic Regression、J48和Multilayer Perceptron等方法相比，CNN是更有效和更方便的算法。
　　其次，先介紹了循環(huán)神經網絡(Recurrent Neural Network，RNN)，由于RNN具有梯度爆炸/梯度消失的問題，隨后引入了長短時記憶網絡(Long Short-Term Memory，LSTM)并詳細地介紹了其在處理人類活動時間序列上的優(yōu)勢。我們將

4、LSTM用于處理UCIHAR手機傳感器數據集，通過不同參數條件下的多組對比實驗，得到了能夠對數據得到良好分類效果的多層LSTM網絡。
　　最后，介紹了殘差網絡(Residual Network，ResNet)，對其基本的組成單元——“殘差單元”的構造及其多個單元組成網絡的信號處理進行了分析，并將ResNet方法從處理圖像分類“遷移”至對WISDM人類活動數據集的分類上來，進行了多組對比實驗?；顒幼R別正確率隨著網絡的加深而逐步提高，