面向手機(jī)傳感器活動(dòng)識(shí)別的深度神經(jīng)網(wǎng)絡(luò)對(duì)比研究.pdf

1、隨著現(xiàn)代生活節(jié)奏的加快，年輕人由于學(xué)業(yè)壓力或工作壓力的增加而越來(lái)越忽視自身的健康，同時(shí)年輕人的壓力過(guò)大使他們沒(méi)有很多的時(shí)間來(lái)陪伴家中的老人，在老年人發(fā)生意外的時(shí)候無(wú)法及時(shí)地對(duì)其進(jìn)行救助，因此有必要對(duì)人們的日?；顒?dòng)進(jìn)行監(jiān)測(cè)和識(shí)別，以便及時(shí)地對(duì)自身健康進(jìn)行反饋或者對(duì)發(fā)生意外的老人進(jìn)行及時(shí)救助。利用嵌入便攜式設(shè)備的傳感器對(duì)人類(lèi)活動(dòng)信息進(jìn)行收集，對(duì)信息進(jìn)行分析來(lái)識(shí)別人類(lèi)活動(dòng)是目前研究的熱點(diǎn)之一。深度神經(jīng)網(wǎng)絡(luò)可以直接對(duì)不經(jīng)過(guò)特別處理的原始數(shù)據(jù)進(jìn)行

2、分析，并可以進(jìn)行“自主學(xué)習(xí)”，與傳統(tǒng)的分類(lèi)方法相比，前者具有獨(dú)特的優(yōu)勢(shì)。本文主要介紹了不同的深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，隨后利用不同的網(wǎng)絡(luò)對(duì)由傳感器收集的人類(lèi)活動(dòng)信號(hào)進(jìn)行分類(lèi)識(shí)別。
　　本文主要進(jìn)行了以下工作：
　　首先，以LeNet-5網(wǎng)絡(luò)為例介紹了卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)，對(duì)其各部分的功能進(jìn)行了分析，隨后介紹了CNN的訓(xùn)練過(guò)程，并對(duì)使用嵌入手機(jī)內(nèi)傳感器收集到的WISDM人類(lèi)活

3、動(dòng)數(shù)據(jù)集進(jìn)行活動(dòng)識(shí)別處理。說(shuō)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(jīng)網(wǎng)絡(luò)(Recurrent Neural Network，RNN)，由于RNN具有梯度爆炸/梯度消失的問(wèn)題，隨后引入了長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(Long Short-Term Memory，LSTM)并詳細(xì)地介紹了其在處理人類(lèi)活動(dòng)時(shí)間序列上的優(yōu)勢(shì)。我們將

4、LSTM用于處理UCIHAR手機(jī)傳感器數(shù)據(jù)集，通過(guò)不同參數(shù)條件下的多組對(duì)比實(shí)驗(yàn)，得到了能夠?qū)?shù)據(jù)得到良好分類(lèi)效果的多層LSTM網(wǎng)絡(luò)。
　　最后，介紹了殘差網(wǎng)絡(luò)(Residual Network，ResNet)，對(duì)其基本的組成單元——“殘差單元”的構(gòu)造及其多個(gè)單元組成網(wǎng)絡(luò)的信號(hào)處理進(jìn)行了分析，并將ResNet方法從處理圖像分類(lèi)“遷移”至對(duì)WISDM人類(lèi)活動(dòng)數(shù)據(jù)集的分類(lèi)上來(lái)，進(jìn)行了多組對(duì)比實(shí)驗(yàn)?；顒?dòng)識(shí)別正確率隨著網(wǎng)絡(luò)的加深而逐步提高，