深度学习模型在基于传感器的人类活动识别中的用法

undefined January 15, 2020 View/edit this page on Colab

Creative Commons License This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.



让我来康康,到底人类活动识别的深度学习模型都玩出什么花了。。。

基本架构: 1D Recurrent Neural Network

对于时域信号,基本架构一般是Recurrent Neural Network。

这里复现一个machine learning mastery博文里介绍的用于人类活动识别的基础RNN架构。

Diagram

输入

这里我们考虑两种输入:基于窗口的特征向量A,和基于窗口的原始加速度计数据向量B。

A: 1×m×11 \times m \times 1

mm是总特征数。

B: 1×n×31 \times n \times 3

nn是单个窗口中的数据量,33这里指加速度计的xx, yy, zz三个方向。

所以这里有一个超参数就是窗口大小ww,单位是秒。

n=wSR n = w \cdot SR

SRSR是传感器的采样率。

假设数据的总时长是TT,那么总的窗口数就是$ \frac{T}{w} $。

所以输入tensor的维度就是,

A: Tw×m×1\frac{T}{w} \times m \times 1

B: Tw×(wSR)×3\frac{T}{w} \times (w \cdot SR) \times 3