Activity-dependent resolution adjustment for radar-based human activity recognition
School of Electrical and Electronics Engineering, Pusan National University(釜山大学电气与电子工程学院)
本文提出了一种基于活动特征自适应调整雷达分辨率的方法,以提高人体活动识别的准确率。
2025-12-22 eess.SP
AI-Powered Non-Contact In-Home Gait Monitoring and Activity Recognition System Based on mm-Wave FMCW Radar and Cloud Computing
在本文中,我们利用人工智能,云计算和雷达技术,创建智能传感,使智能应用程序能够改善人们的日常生活。
2022-08-11 eess.SP
TRIS-HAR: Transmissive Reconfigurable Intelligent Surfaces-assisted Cognitive Wireless Human Activity Recognition Using State Space Models
本文提出TRIS-HAR系统,利用透射式可重构智能表面重塑信号传播,并结合HiMamba状态空间模型捕获时频信息,将穿墙人体活动识别准确率从85.00%提升至98.06%。
2024-10-03 eess.SP
A Wearable Multi-Modal Edge-Computing System for Real-Time Kitchen Activity Recognition
本文设计集成六类传感器与双微控制器的可穿戴多模态边缘系统,在本地端到端实时识别厨房活动,并以184.5 kB模型实现87.83%准确率和25.26 ms推理。
2024-09-10 eess.SP
Wi-Fi-based Personnel Identity Recognition: Addressing Dataset Imbalance with C-DDPMs
本文针对基于Wi-Fi的无设备人员身份识别中CSI数据集类别不平衡问题,提出利用条件去噪扩散概率模型(C-DDPMs)进行数据增强,在自建数据集上使各类别分类准确率均提升至94%以上。
2024-04-07 eess.SP
Bruxism Recognition via Wireless Signal
School of Information Science and Engineering, Southeast University(东南大学信息科学与工程学院)
本文提出基于毫米波雷达的无接触磨牙症识别系统,通过提取11个特征并使用随机森林模型实现高准确率的识别,为非侵入性诊断提供了新方法。
2025-12-07 eess.SP
Eco-Friendly Sensing for Human Activity Recognition
本文提出一种基于手腕和鞋子光伏电池的无能耗且可收集能量的活动识别系统,结合特征提取与深度Transformer模型,在真实室内外环境中实现91.7%的识别准确率。
2023-08-10 eess.SP
Fusion of Deep Neural Networks for Activity Recognition: A Regular Vine Copula Based Approach
在本文中,我们提出了基于正则vine copula的多个深度神经网络分类器的融合,以解决基于多传感器的人体活动识别问题。我们考虑到跨模态依赖,采用定期藤连接,是非常灵活和强大的图形模型来表征复杂的依赖之间的多个模态。多个深度神经网络用于从多传感模态中提取高级特征,每个深度神经网络处理从单个传感器收集的数据。提取的高层次的功能,然后结合使用一个定期藤copula模型。数值实验证明了该方法的有效性。
2019-11-21 eess.SP
BSDGAN: Balancing Sensor Data Generative Adversarial Networks for Human Activity Recognition
Nanjing Tech University(南京工业大学);Xidian University(西安电子科技大学)
物联网技术的发展使得各种传感器可以集成到移动设备中。基于传感器数据的人体活动识别(HAR)已成为机器学习和普适计算领域的一个活跃的研究课题。然而,由于人类活动的频率不一致,人类活动数据集中每项活动的数据量是不平衡的。由于传感器资源的有限性和人工标注传感器数据的高成本,人体活动识别面临着高度不平衡的活动数据集的挑战。在本文中,我们提出了平衡传感器数据生成对抗网络(BSDGAN)生成传感器数据的少数人类活动。建议BSDGAN由一个发电机模型和一个可重构模型。考虑到人类活动数据集的极端不平衡性,使用自动编码器初始化BSDGAN的训练过程,确保每个活动的数据特征可以学习。生成的活动数据与原始数据集相结合,以平衡人类活动类别之间的活动数据量。我们在两个公开的不平衡人类活动数据集WISDM和UNIMIB上部署了多个人类活动识别模型。实验结果表明,BSDGAN能够有效地捕捉真实人体活动传感器数据的数据特征,生成真实感较强的合成传感器数据。同时,平衡的活动数据集可以有效地帮助活动识别模型提高识别精度。
2022-08-07 cs.LG eess.SP
Human Activity Recognition (HAR) in Smart Homes
人类活动识别(HAR)通常包括监视和分析一个或多个人的行为,以推断他们的活动。在灵巧家庭环境中,HAR包括监视居民的日常活动。由于这种监控,灵巧家庭可以提供家庭辅助服务,以提高居民的生活质量,自主性和健康,特别是对于老年人和受抚养人。
2021-12-20 cs.HC eess.SP
EmbraceNet for Activity: A Deep Multimodal Fusion Architecture for Activity Recognition
Yonsei University(延世大学)
使用多个传感器的人体活动识别是近几十年来一个具有挑战性但有前途的任务。在本文中,我们提出了一个深度多模态融合模型的活动识别的基础上最近提出的特征融合架构命名为EmbraceNet。我们的模型独立处理每个传感器数据,将特征与EmbraceNet架构相结合,并对融合的特征进行后处理以预测活动。此外,我们还提出了额外的流程来提高模型的性能。我们将从我们提出的模型中获得的结果提交给SHL识别挑战,团队名称为“Yonsei-MCML”。"
2020-04-29 cs.LG eess.SP stat.ML
End-to-End Learning-Based Wireless Image Recognition Using the PyramidNet in Edge Intelligence
针对边缘智能低延迟需求,提出基于PyramidNet的端到端无线图像识别方案,通过网络拆分、加挤压激励模块和特征压缩,实现识别性能更优、设备端计算与通信开销更低的效果。
2023-07-20 eess.IV eess.SP
A Wireless-Vision Dataset for Privacy Preserving Human Activity Recognition
Queen Mary University of London(伦敦玛丽女王大学);Onfido Research(Onfido研究院)
人类活动识别(HAR)最近在辅助生活和远程监控等众多应用中受到了极大的关注。基于传感器和视觉技术的现有解决方案已经取得了成就,但仍然受到环境要求的相当大的限制。像基于WiFi的传感这样的无线信号已经成为一种新的范例,因为它方便并且不受环境的限制。在本文中,一个新的基于WiFi和视频的神经网络(WiNN),提出了提高活动识别的鲁棒性同步视频作为无线数据的补充。此外,一个无线视觉基准(WiVi)收集9类动作识别在三种不同的视觉条件下,包括场景没有遮挡,部分遮挡,和完全遮挡。机器学习方法-支持向量机(SVM)以及深度学习方法都用于数据集的准确性验证。我们的研究结果表明,WiVi数据集满足主要的需求,在所提出的管道中的所有三个分支保持超过$80\%$的多个动作分割从1秒到3秒的活动识别精度。特别是,与其他方法相比,WiNN在三个动作分割的所有动作方面是最鲁棒的方法。
2022-05-24 cs.CV eess.IV eess.SP
A Close Look into Human Activity Recognition Models using Deep Learning
University of Wisconsin-Eau Claire(威斯康星大学欧克莱尔分校)
使用深度学习技术的人类活动识别由于其识别复杂任务的高效性以及与更传统的机器学习技术相比成本相对较低而变得越来越流行。本文调查了一些最先进的人类活动识别模型,这些模型基于深度学习架构,具有包含卷积神经网络(CNN)、长短期记忆(LSTM)或混合系统的多种类型的层。分析概述了如何实施模型,以最大限度地提高其有效性和它面临的一些潜在的限制。
2022-04-26 cs.CV eess.SP
Fully Convolutional Network Bootstrapped by Word Encoding and Embedding for Activity Recognition in Smart Homes
IMT Atlantique(大西洋矿业电信学院);Delta Dore company(Delta Dore公司)
当我们希望为居民提供自动服务时,智能家居中的活动识别至关重要。然而,它在环境、感觉运动系统以及用户习惯的可变性方面提出了挑战。因此,端到端系统无法在没有大量预处理的情况下自动提取关键特征。我们建议通过合并自然语言处理(NLP)和时间序列分类(TSC)领域的方法来解决智能家居中活动识别的特征提取问题。我们评估了我们的方法在自适应系统高级研究中心(CASAS)发布的两个数据集上的性能。此外,我们分析了使用NLP编码的Bag-Of-Word与嵌入的贡献,以及FCN算法自动提取特征和分类的能力。我们提出的方法在离线活动分类中表现出良好的性能。我们的分析还表明,FCN是一个合适的智能家居活动识别算法,并突出了自动特征提取的优势。
2020-12-01 cs.AI eess.SP
Beyond Amplitude: Channel State Information Phase-Aware Deep Fusion for Robotic Activity Recognition
本文提出GF-BiLSTM网络,通过融合CSI的幅度和相位信息,提升机器人活动识别的准确性和鲁棒性。
2026-03-10 cs.RO eess.SP
AdaSense: Adaptive Low-Power Sensing and Activity Recognition for Wearable Devices
Brown University(布朗大学)
可穿戴设备具有严格的功率和内存限制。因此,需要在不牺牲精度的情况下优化这些设备上的功耗。本文介绍了AdaSense:一个感知,特征提取和分类协同优化的人类活动识别框架。所提出的技术通过根据用户活动在不同传感器配置之间动态切换来降低功耗。该框架选择的配置,代表帕累托边界的准确性和能源的权衡。AdaSense还使用低开销处理和分类方法。所介绍的方法实现了69%的降低功耗的传感器与不到1.5%的活动识别精度下降。
2020-06-10 cs.HC cs.LG eess.SP
Investigating Deep Neural Network Architecture and Feature Extraction Designs for Sensor-based Human Activity Recognition
Sharif University of Technology(谢里夫理工大学);Allameh Tabataba'i University(阿拉姆·塔巴塔巴伊大学)
该研究针对基于传感器的人体活动识别任务,在两个数据集上开展实验,探究不同深度学习、机器学习方法、训练机制及特征表示的性能与有效性。
2023-09-26 cs.AI cs.LG eess.SP
Recognition and evaluation of constellation diagram using deep learning based on underwater wireless optical communication
抽象的。提出了一种基于深度学习的水下无线光通信星座图识别与评估方法。设计了一种基于卷积神经网络(CNN)的UWOC系统星座图分析器,用于调制格式识别(MFR)、光信噪比(OSNR)和相位误差估计。此外,本文还利用无监督学习方法,从影响水下信道质量的各种因素中挖掘出一种新的优化度量,该度量综合了多个原始指标,我们称之为多噪声空间度量(MNSM)。该模型将星座质量从高到低划分为若干等级,反映了UWOC信道的质量。通过仿真,得到了4种广泛使用的M-QAM调制格式在16个OSNR值(15 dB ~ 30 dB)下的星座图,相位误差标准偏差范围为0° ~ 45°。实验结果表明,该方法对MFR、OSNR和相位噪声的估计精度分别达到100%、95%和98.6%。还进行了消融研究,以分析深度学习在星座图识别中的性能。
2020-07-12 cs.IT eess.SP math.IT
Deep Adversarial Learning with Activity-Based User Discrimination Task for Human Activity Recognition
AASS, Örebro University(厄勒布鲁大学AASS研究中心);Faculty of Information Science and Electrical Engineering, Kyushu University(九州大学情报科学与电气工程学院);ETSIDI, Universidad Politéctina de Madrid(马德里理工大学高等航空工程技术学院)
本文提出含新型基于活动的用户判别任务的对抗深度学习框架,以缓解 HAR 中的人际差异,并在三个数据集的 LOOCV 基准上取得优于以往方法和任务的分类效果。
2025-03-18 cs.CV cs.LG eess.SP
Attention-Based Sensor Fusion for Human Activity Recognition Using IMU Signals
Missouri University of Science and Technology(密苏里科技大学);Stony Brook University(石溪大学)
使用诸如嵌入有惯性测量单元(IMU)传感器的智能手表的可穿戴设备的人类活动识别(HAR)具有与我们的日常生活相关的各种应用,诸如锻炼跟踪和健康监测。在本文中,我们提出了一种新的基于注意力的方法,使用多个IMU传感器佩戴在不同的身体位置的人类活动识别。首先,设计了一个传感器特征提取模块,利用卷积神经网络(CNN)从单个传感器中提取最具鉴别力的特征。其次,开发了一种基于注意力的融合机制来学习不同身体位置的传感器的重要性,并生成注意力特征表示。最后,应用传感器间特征提取模块来学习传感器间的相关性,传感器间的相关性被连接到分类器以输出预测的活动类别。使用五个公共数据集对所提出的方法进行了评估,它在各种活动类别上的表现优于最先进的方法。
2021-12-20 cs.CV eess.SP
Human Activity Recognition Using LSTM-RNN Deep Neural Network Architecture
University of Pretoria(比勒陀利亚大学);Malmö University(马尔默大学)
使用原始传感器数据来建模和训练用于人类活动识别的网络可以用于许多不同的应用,从健身跟踪到安全监控应用。这些模型可以很容易地扩展到使用不同的数据源进行训练,以提高准确性或扩展不同预测类别的分类。本文讨论了WISDM提供的可用数据集和不同轴的每个类的独特功能。此外,设计了一个长短期记忆(LSTM)架构模型的人类活动识别的应用。在前500次训练中,准确率超过94%,损失小于30%。
2019-05-02 cs.LG eess.SP stat.ML
Classification of human activity recognition using smartphones
智能手机已经成为通信手段中最受欢迎和最广泛使用的设备。如今,通过嵌入式传感器可以在移动设备上识别人类活动,可以利用嵌入式传感器通过预测用户活动来管理移动设备上的用户行为。为了达到这一目的,本研究对存储活动特征、分类以及将它们映射到学习算法进行了研究。在这项研究中,我们通过深度信念网络对测试和训练数据进行分类,训练数据的正确诊断率为98.25%,测试数据的正确诊断率为93.01%。因此,在这项研究中,我们证明了深度信念网络是一种适用于这一特定目的的方法。
2020-01-06 cs.CY cs.LG eess.SP
Multi-agent Attentional Activity Recognition
University of New South Wales(新南威尔士大学);Northwestern Polytechnical University(西北工业大学)
多模态是基于传感器的活动识别的重要特征。在这项工作中,我们考虑人类活动的两个固有特性,时空变化的显着性的功能和活动和相应的身体部位运动之间的关系。在此基础上,我们提出了一个多智能体时空注意力模型。时空注意力机制有助于智能地选择信息模态及其活跃时段。该模型中的多个智能体通过独立选择与单个运动相关联的模态来表示跨身体部位的集体运动活动。在共同的识别目标下,智能体共享获得的信息并协调其选择策略以学习最佳识别模型。在四个真实数据集上的实验结果表明,该模型优于现有的方法。
2019-05-22 cs.HC cs.LG eess.SP
VCHAR:Variance-Driven Complex Human Activity Recognition framework with Generative Representation
Rutgers University(罗格斯大学)
针对复杂活动标注成本高、序列标注不现实的问题,本文提出 VCHAR 框架,用区间分布和生成式视频解释提升识别准确率与可解释性。
2024-08-06 cs.AI cs.CV cs.HC
Posture Recognition in the Critical Care Settings using Wearable Devices
University of Florida(佛罗里达大学)
重症监护病房(ICU)患者的低体力活动水平与不良临床结局有关。因此,需要对ICU中的身体活动进行连续和客观的测量,以量化身体活动与患者结局之间的关联。这种测量也将帮助临床医生评估拟议的康复和物理治疗方案在改善身体活动方面的疗效。在这项研究中,我们使用可穿戴传感器的数据研究了ICU人群中姿势识别的可行性。
2021-10-07 cs.HC cs.LG eess.SP
A Survey of Human Activity Recognition in Smart Homes Based on IoT Sensors Algorithms: Taxonomies, Challenges, and Opportunities with Deep Learning
IMT Atlantique(IMT大西洋学院);Delta Dore company(Delta Dore公司)
物联网(IoT)技术的最新进展和传感器成本的降低鼓励了智能环境(例如灵巧家庭)的发展。灵巧家庭可以提供家庭辅助服务,以改善其居民的生活质量,自主性和健康,特别是对老年人和受抚养人。为了提供这样的服务,灵巧家庭必须能够了解其居民的日常活动。在灵巧家庭中识别人类活动的技术每天都在进步。但新的挑战每天都在出现。在本文中,我们提出了最近的算法,作品,挑战和分类领域的人类活动识别在灵巧家庭通过环境传感器。此外,由于灵巧家庭中的活动识别是一个年轻的领域,我们提出了具体的问题,缺少和需要的贡献。而且还提出了方向,研究机会和解决方案,以加速这一领域的进步。
2021-10-18 cs.AI cs.HC cs.LG