MISYgydF4y2Ba 移动信息系统gydF4y2Ba 1875 - 905 xgydF4y2Ba 1574 - 017 xgydF4y2Ba HindawigydF4y2Ba 10.1155 / 2021/6615695gydF4y2Ba 6615695gydF4y2Ba 研究文章gydF4y2Ba 对活动识别通过多维移动数据融合与智能手机和深度学习gydF4y2Ba 曹gydF4y2Ba JunkuogydF4y2Ba 1gydF4y2Ba 林gydF4y2Ba MingcaigydF4y2Ba 2gydF4y2Ba 王gydF4y2Ba 汉gydF4y2Ba 3gydF4y2Ba 方gydF4y2Ba 嘉成gydF4y2Ba 3gydF4y2Ba https://orcid.org/0000 - 0001 - 7210 - 0543gydF4y2Ba 徐gydF4y2Ba YueshengydF4y2Ba 3gydF4y2Ba 杨gydF4y2Ba XiaoxiangydF4y2Ba 1gydF4y2Ba 网络和数据中心gydF4y2Ba 海南师范大学gydF4y2Ba 海口gydF4y2Ba 中国gydF4y2Ba hainnu.edu.cngydF4y2Ba 2gydF4y2Ba 海口国家科学公园gydF4y2Ba 海南师范大学gydF4y2Ba 海口gydF4y2Ba 中国gydF4y2Ba hainnu.edu.cngydF4y2Ba 3gydF4y2Ba 计算机科学与技术学院的gydF4y2Ba 宁海西店大学gydF4y2Ba 西安gydF4y2Ba 中国gydF4y2Ba xidian.edu.cngydF4y2Ba 2021年gydF4y2Ba 20.gydF4y2Ba 4gydF4y2Ba 2021年gydF4y2Ba 2021年gydF4y2Ba 29日gydF4y2Ba 10gydF4y2Ba 2020年gydF4y2Ba 4gydF4y2Ba 3gydF4y2Ba 2021年gydF4y2Ba 13gydF4y2Ba 4gydF4y2Ba 2021年gydF4y2Ba 20.gydF4y2Ba 4gydF4y2Ba 2021年gydF4y2Ba 2021年gydF4y2Ba 版权©2021曹Junkuo et al。gydF4y2Ba 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。gydF4y2Ba

活动识别领域的发展相对较早,已经吸引了无数研究人员。随着科学技术的不断发展,人们的研究人类活动识别也深化和变得富有。如今,无论是医学,教育,体育,或智能家居,各领域已经开发出一种强烈的兴趣活动识别,以及一系列的研究成果也被放到人们的实际生产和生活。如今,智能手机已经成为非常受欢迎,和技术越来越成熟,和各种传感器出现了历史性的时刻,所以相关的研究活动识别基于手机的传感器都有其必要性和可能性。本文将使用一个Android智能手机来收集数据的六人的基本行为,行走,跑步,站着,坐着,楼上,楼下,,通过其加速度传感器,并使用深度学习的经典模型CNN(卷积神经网络)融合多维移动数据,使用TensorFlow模型训练和测试评估。生成的模型最终移植到Android手机完成移动终端活动识别系统。gydF4y2Ba

 海南省的特别重大科技项目gydF4y2Ba ZDKJ2017012gydF4y2Ba 中国国家重点研发项目gydF4y2Ba 2020年yfb2104004gydF4y2Ba 青海关键研发项目和转换gydF4y2Ba 2021 - gx - 112gydF4y2Ba 1。介绍gydF4y2Ba

人类活动识别属于模式识别的一个分支,及其相关的研究可以追溯到1980年代。因为它可以提供个性化的支持许多不同的应用程序,并与许多不同的学科领域,如医学、人机交互、和社会学gydF4y2Ba 1gydF4y2Ba,gydF4y2Ba 2gydF4y2Ba]。对人类活动识别的研究从未停止,一直是研究人员的研究热点。许多研究人员试图找到一个方法,可以高效、准确地识别人类活动(gydF4y2Ba 3gydF4y2Ba,gydF4y2Ba 4gydF4y2Ba]。基于各种软件和硬件的支持,有很多好的研究人类活动领域的识别结果,但识别效果仍需要改进,随着技术的不断发展和持续研究的各种理论,有必要不断进行新的探索和研究领域的人类活动识别为了提出一个有效和准确的方法在未来人类活动的识别(gydF4y2Ba 5gydF4y2Ba,gydF4y2Ba 6gydF4y2Ba]。gydF4y2Ba

目前,研究人类活动领域的识别可以分为两类,其中一个是基于视频图像的分析,另一个是基于各种运动传感器,如惯性导航模块和加速度传感器(gydF4y2Ba 7gydF4y2Ba,gydF4y2Ba 8gydF4y2Ba]。基于图像的研究方法可以更直观、准确,可以更好地识别复杂的运动状态。目前,研究人类活动在中国的识别主要是基于图像分析(gydF4y2Ba 9gydF4y2Ba,gydF4y2Ba 10gydF4y2Ba]。这种方法有其优点,但其缺点也是显而易见的。它需要更高的数据采集设备,其成本较高;它只能用于场地特征(gydF4y2Ba 11gydF4y2Ba,gydF4y2Ba 12gydF4y2Ba]。因此,这种方法不是很受欢迎,只是在一些特定领域的应用。这种研究方法不属于本文的研究内容。它将不会详细描述。有兴趣的读者可以自己查询相关信息。gydF4y2Ba

另一种类型的活动识别是基于运动传感器。近年来,随着科技的快速发展,传感器的准确性提高了,生产成本有所降低(gydF4y2Ba 13gydF4y2Ba,gydF4y2Ba 14gydF4y2Ba]。特别是近年来,智能手机用户持续增长速度几乎爆炸。传感器设备在智能手机的增长变得越来越复杂,和可穿戴设备正以惊人的速度传播gydF4y2Ba 15gydF4y2Ba,gydF4y2Ba 16gydF4y2Ba]。这些导致许多研究人员看到传感器活动识别的研究前景。因此,近年来,这一领域的研究吸引了越来越多的研究人员参与和创造了许多可喜的研究成果gydF4y2Ba 17gydF4y2Ba,gydF4y2Ba 18gydF4y2Ba]。许多相关研究已应用于人们的日常生活等医学和运动。在中国,许多研究人员还提出了许多先进的研究成果。然而,随着研究的继续,准确度增加,类型的识别活动的增加已经成为一个大问题。没有特别好的解决方案,所以在这个方向的研究仍然需要许多研究者的不断努力。gydF4y2Ba

研究人类活动识别可以分为两个总体的方向(gydF4y2Ba 19gydF4y2Ba]。它分为研究基于视频图像,或研究基于运动传感器。我就不详细,但是一般的研究方法和步骤是相似的,一般分为以下步骤:数据收集、特征提取、模型建立和模型评估。本文的研究从数据采集开始,也就是说,加速度传感器数据,并使用TensorFlowgydF4y2Ba1gydF4y2Ba(人工智能谷歌开源系统)来构建一个CNN(卷积神经网络)。我们进一步使用收集到的数据进行模型训练和测试和评估和开发模型。最后,我们移植开发模型的移动计算平台,实现移动终端活动识别系统。gydF4y2Ba

本文的其余部分组织如下。部分gydF4y2Ba 2gydF4y2Ba讨论了相关工作。gydF4y2Ba 第三节gydF4y2Ba阐述了数据收集在真实的环境中工作。gydF4y2Ba 第四节gydF4y2Ba解释提出了卷积神经网络模型。gydF4y2Ba 第五节gydF4y2Ba描述了实现和运行的平台。gydF4y2Ba 第六节gydF4y2Ba介绍了实验和分析。gydF4y2Ba 第七节gydF4y2Ba总结了整个论文。gydF4y2Ba

 2。相关工作gydF4y2Ba

早在2010年,使用信号强度的方法描述符来检测提出了室内运动。这种方法也可以应用到虚拟对象的检测附近的发射机和房间里的运动人移动gydF4y2Ba 20.gydF4y2Ba,gydF4y2Ba 21gydF4y2Ba]。gydF4y2Ba

后,人体的方法使用无线信号跟踪和识别简单的手势了(一个接一个gydF4y2Ba 22gydF4y2Ba,gydF4y2Ba 23gydF4y2Ba),和相应的工具也被释放,如工具可以记录的详细测量无线信道和跟踪802.11收到的数据包gydF4y2Ba 24gydF4y2Ba]。无线网络可以实现device-free秋天检测(gydF4y2Ba 25gydF4y2Ba],它突破传统秋季探测系统的限制没有外部修改或额外的环境设置。无线信号也可以用来检测吸烟行为,基于前景检测和被动吸烟检测系统实现(gydF4y2Ba 26gydF4y2Ba]。最新的相关文件还没有设备集中在移动环境下多目标跟踪。本文提出了一种抗噪音的,低调的,没有设备跟踪框架(gydF4y2Ba 27gydF4y2Ba]。gydF4y2Ba

此外,可以实现细粒度的活动识别RGB-D相机,可以改善无处不在的智能和交互系统提高到一个新的水平gydF4y2Ba 28gydF4y2Ba,gydF4y2Ba 29日gydF4y2Ba]。各种新型的小型传感器在人类活动的应用程序识别大放异彩。通过可穿戴传感器或传感器基于智能手机,我们可以追踪人类活动和提供医疗支持gydF4y2Ba 30.gydF4y2Ba,gydF4y2Ba 31日gydF4y2Ba]。例如,通过可穿戴的声学传感器,我们可以分析用户的声音在喉咙区域生成和准确地识别用户的活动gydF4y2Ba 32gydF4y2Ba]。植入式医疗设备(IMD),使用无线通信处理他人的干扰攻击和改善安全的IMD (gydF4y2Ba 33gydF4y2Ba]。通过无线信号,我们不仅可以识别人类活动,但也听到我们讲话口通过检测和分析的细粒度的无线电反射嘴行动gydF4y2Ba 34gydF4y2Ba]。收集的数据分析和计算时,边缘计算可用于提高资源利用率和执行效率(gydF4y2Ba 35gydF4y2Ba]。gydF4y2Ba

神经网络的应用领域的活动越来越广泛的认可。图像分类方法基于深卷积神经网络促进神经信息处理系统的开发(gydF4y2Ba 36gydF4y2Ba]。根据CNN,活动识别的能力提高了使用数据增强和转移学习(gydF4y2Ba 37gydF4y2Ba]。开发活动识别框架基于CNN (gydF4y2Ba 38gydF4y2Ba]。当人类活动训练数据,活动识别模型训练时一个人可能不适合应用于预测另一个人的活动(gydF4y2Ba 39gydF4y2Ba,gydF4y2Ba 40gydF4y2Ba]。为了迎接这一挑战,数据增强人类活动识别也是一个研究热点。gydF4y2Ba

 3所示。数据收集gydF4y2Ba 3.1。传感器的智能手机gydF4y2Ba

智能手机的传感器收集的数据都有自己的一组坐标系统(手机)的自然坐标系。如图gydF4y2Ba 1gydF4y2Ba,电话是积极的gydF4y2Ba xgydF4y2Ba设在方向,gydF4y2Ba ygydF4y2Ba设在是向上的方向,gydF4y2Ba zgydF4y2Ba设在在正方向垂直于手机屏幕。建立系统可以监控智能手机设备的加速度值的变化相应的三个轴gydF4y2Ba xgydF4y2Ba设在,gydF4y2Ba ygydF4y2Ba设在,gydF4y2Ba zgydF4y2Ba设在。gydF4y2Ba

手机自然坐标系。gydF4y2Ba

看谷歌Android开发者官方网站gydF4y2Ba2gydF4y2Ba,我们可以发现,Android平台提供了13个传感器使用。这些传感器是基于硬件的,一些是基于软件的。然而,并非所有的Android传感器有所有这些传感器。不同的Android设备集成不同的传感器和已经支持不同的设备。本文中使用加速度传感器是基于硬件。手机的显示器gydF4y2Ba xgydF4y2Ba- - - - - -,gydF4y2Ba ygydF4y2Ba- - - - - -,gydF4y2Ba zgydF4y2Ba设在加速m / sgydF4y2Ba2gydF4y2Ba(包括重力和gydF4y2Ba xgydF4y2Ba- - - - - -,gydF4y2Ba ygydF4y2Ba- - - - - -,gydF4y2Ba zgydF4y2Ba相互重合在图所示gydF4y2Ba 1gydF4y2Ba)。这个传感器集成在大多数手机和平板电脑,和它自1.5版本的Android平台支持(表gydF4y2Ba 1gydF4y2Ba),所以使用这种传感器设计本文中讨论活动识别系统可以应用于几乎所有当前市场Android手机设备。加速度传感器测量的力传感器和检测设备的加速度按照下列公式:gydF4y2Ba (1)gydF4y2Ba 广告gydF4y2Ba =gydF4y2Ba −gydF4y2Ba ∑gydF4y2Ba FgydF4y2Ba 年代gydF4y2Ba 质量gydF4y2Ba 。gydF4y2Ba

支持加速度传感器在每个版本的Android平台。gydF4y2Ba

传感器gydF4y2Ba Android 4.0 (APL水平14)gydF4y2Ba Android 2.3 (APL级别9)gydF4y2Ba Android 2.2 (APL Level8)gydF4y2Ba Android 1.5 (APL 3级)gydF4y2Ba
TYPE_ACCELEROMETERgydF4y2Ba 是的gydF4y2Ba 是的gydF4y2Ba 是的gydF4y2Ba 是的gydF4y2Ba

重力总是影响测量精度,计算按照下列关系:gydF4y2Ba (2)gydF4y2Ba 广告gydF4y2Ba =gydF4y2Ba −gydF4y2Ba ggydF4y2Ba −gydF4y2Ba ∑gydF4y2Ba FgydF4y2Ba 质量gydF4y2Ba 。gydF4y2Ba

Android平台框架提供了一个完整的传感器,包括一系列传感器类和接口。使用相应的API允许我们轻易地使用相应的传感器的功能。传感器,主要使用的类是SensorManager SensorEvent, SensorListener。每个类别是专门解释与加速度传感器研究。gydF4y2Ba

首先,我们获得SensorManager类的一个实例,每个传感器进行管理,比如创建一个传感器实例,设置传感器采样频率,和注册/注销传感器事件监视。gydF4y2Ba

第二,我们创建一个传感器类的实例(加速度传感器)SensorManager实例。gydF4y2Ba

我们使用SensorManager设置加速度传感器的采样频率和事件监视。gydF4y2Ba

我们重写侦听器方法,onSensorChanged (SensorEvent事件),相应坐标轴上的加速度gydF4y2Ba xgydF4y2Ba,gydF4y2Ba ygydF4y2Ba,gydF4y2Ba zgydF4y2Ba可以通过事件。值[0],事件。值[1]和事件。分别值[2]。我们可以通过event.timestamp获取时间戳。gydF4y2Ba

3.2。数据收集器的设计和实现gydF4y2Ba

由于实验目的的及时性,txt文本的数据存储在本地,一个样本的数据占一行,并且每个样本的数据使用以下格式:gydF4y2Ba

数据格式:用户ID、时间戳gydF4y2Ba xgydF4y2Ba设在加速度,gydF4y2Ba ygydF4y2Ba设在加速度,gydF4y2Ba zgydF4y2Ba设在加速度。例如:1,坐着,288956018483233,6.3601966−−1.3551182和7.7943234。注册和登录。进入收集器的主要页面后,选择相应的状态界面上的开关按钮开始收集传感器数据。每200件的数据进行收集和写入日志文件。丢弃首次收集的数据和从第二盘开始记录数据。收集器的设计界面如图gydF4y2Ba 2gydF4y2Ba。gydF4y2Ba

收集器的主要界面的设计。gydF4y2Ba

由于实验时间的限制,环境,人员,和其他因素,人员参与采样的只有自己。这样的抽样方法是提高训练更好的模型用更少的数据。摘要手机采样与屏幕朝前,低着头在正确的前面口袋的裤子。获得最后的样本总数是153000。样品的数量每活动如表所示gydF4y2Ba 2gydF4y2Ba。gydF4y2Ba

每个活动的采样数据量。gydF4y2Ba

活动gydF4y2Ba 数量的样品gydF4y2Ba 比例(%)gydF4y2Ba
走gydF4y2Ba 21600年gydF4y2Ba 14.1gydF4y2Ba
运行gydF4y2Ba 20200年gydF4y2Ba 13.2gydF4y2Ba
站gydF4y2Ba 33600年gydF4y2Ba 22.0gydF4y2Ba
坐着gydF4y2Ba 27000年gydF4y2Ba 17.6gydF4y2Ba
楼上gydF4y2Ba 26600年gydF4y2Ba 17.4gydF4y2Ba
在楼下gydF4y2Ba 24000年gydF4y2Ba 15.7gydF4y2Ba

特定的饼图分布如图gydF4y2Ba 3gydF4y2Ba。gydF4y2Ba

样本数据分布。gydF4y2Ba

传感器采样频率为50 HZ;也就是说,每0.02秒一个收集数据。收集到的数据在200件。这里,波形分析收集的数据的第一个200块每个活动被执行时,传感器收集的数据在4秒。波形图的横轴是时间戳,纵轴是gydF4y2Ba xgydF4y2Ba,gydF4y2Ba ygydF4y2Ba,gydF4y2Ba zgydF4y2Ba正常化后加速度和真正的加速。计算如下:gydF4y2Ba (3)gydF4y2Ba AccgydF4y2Ba =gydF4y2Ba xgydF4y2Ba 2gydF4y2Ba +gydF4y2Ba ygydF4y2Ba 2gydF4y2Ba +gydF4y2Ba zgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba 在Acc表示总加速度。gydF4y2Ba

每个活动对应4波形。通过观察人类活动相对应的传感器数据的波形图,我们可以直观地感觉到不同的活动所产生的传感器数据是不同的,他们有一定的规律性。因此,我们可以使用深度学习机器学习,生成相应的模型来实现识别相关的人类活动的目的。的4 s采样波形gydF4y2Ba 在楼下gydF4y2Ba图中给出了gydF4y2Ba 4gydF4y2Ba,4 s采样波形图gydF4y2Ba 运行gydF4y2Ba图中给出了gydF4y2Ba 5gydF4y2Ba的4 s采样波形gydF4y2Ba 坐着gydF4y2Ba图中给出了gydF4y2Ba 6gydF4y2Ba。的4 s采样波形gydF4y2Ba 站gydF4y2Ba如图gydF4y2Ba 7gydF4y2Ba的4 s采样波形gydF4y2Ba 楼上gydF4y2Ba如图gydF4y2Ba 8gydF4y2Ba的4 s采样波形gydF4y2Ba 走gydF4y2Ba如图gydF4y2Ba 9gydF4y2Ba。gydF4y2Ba

4 s采样波形gydF4y2Ba 在楼下gydF4y2Ba。gydF4y2Ba

运行gydF4y2Ba4 s采样波形图。gydF4y2Ba

坐着gydF4y2Ba4 s采样波形。gydF4y2Ba

站gydF4y2Ba4 s采样波形。gydF4y2Ba

楼上gydF4y2Ba4 s采样波形。gydF4y2Ba

走gydF4y2Ba4 s采样波形。gydF4y2Ba

 4所示。卷积神经网络模型gydF4y2Ba

卷积神经网络(CNN)属于一种前馈神经网络。卷积神经网络已广泛应用于图像和语音识别领域,因为它更好的测试结果。CNN的最常见的应用领域是在模式识别领域,特别是对大规模图像处理。其非凡的性能。因为它可以使图像直接输入网络,它可以避免复杂的特征提取过程和数据重建进程。然而,由于其不断创新,卷积神经网络(CNN)现在也用在视频分析、智能语言处理和药物发现。目前,它已成为在许多科学领域的一个热点。各个领域正试图使用卷积神经网络技术来添加新的活力。gydF4y2Ba

自2012年成功的释放AlexNet架构,VGG等一系列经典架构,GoogLeNet, ResNet先后出现。近年来,研究人员继续设计许多新的方法来提高cnn。因此,CNN架构提出了许多变体。因此,在不同的文献,一些关于卷积神经网络(CNN)的详细描述在某些地方可能有偏见。然而,不管如何变异,CNN体系结构的基本概念和原则不会改变,和他们的各种组件也非常接近。本文采用LeNet-5和调整参数以满足我们的需求。LeNet-5可分为6层除了输入层和输出层。每一层包含一个不同数量的训练参数(连接权重),如图gydF4y2Ba 10gydF4y2Ba。卷积的具体结构层、汇聚层,卷层、汇聚层,完全连接层,和完全连接层。gydF4y2Ba

卷积层:卷积层用于特征提取。在卷积神经网络中,我们经常使用的多层卷积层得到更深层次的特征图谱。gydF4y2Ba

池层(低抽样层):汇聚层的主要工作是地图压缩输入特性在空间维度(高度和宽度)。池层可以压缩特性映射输出卷积层提取主要特征,从而减少参数的数量,加快神经网络。池也翻译不变性,这使我们能够提取后的特征图不变图像是批评和扩展,帮助我们做出正确的和相同的识别结果已经严厉批评和缩放图片。gydF4y2Ba

完全连接层:完全连接层的工作相对简单。它连接的所有特性和传输这些(即输出值。、支持向量机和Softmax)分类器对最终分类和判断。gydF4y2Ba

LeNet-5网络结构。gydF4y2Ba

LeNet-5采用本文的计算过程如下。上一层的重量产生的代表gydF4y2Ba wgydF4y2Ba 我gydF4y2Ba 神经单元的gydF4y2Ba 我gydF4y2Ba。我们使用乙状结肠函数生成的状态gydF4y2Ba zgydF4y2Ba 我gydF4y2Ba,这是计算如下:gydF4y2Ba (4)gydF4y2Ba zgydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 乙状结肠gydF4y2Ba wgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba 乙状结肠(gydF4y2Ba ⋅gydF4y2Ba )指乙状结肠函数。计算输出层使用RBF函数(径向基本函数)来计算结果在每个类。RBF计算最终结果gydF4y2Ba ygydF4y2Ba 我gydF4y2Ba 随着每个类gydF4y2Ba (5)gydF4y2Ba ygydF4y2Ba 我gydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba kgydF4y2Ba zgydF4y2Ba kgydF4y2Ba −gydF4y2Ba 问gydF4y2Ba 我gydF4y2Ba jgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba 问gydF4y2Ba 我gydF4y2Ba jgydF4y2Ba 代表了地面实况的状态。gydF4y2Ba

整体结构类似于LeNet-5在我们的论文中,除了输入和输出,它可以分为六层。我们使用的可视化模块TensorFlow具体形象化神经结构在我们面前。本文的整体神经网络结构如图gydF4y2Ba 10gydF4y2Ba。除了输入和输出,具体的神经网络结构是卷积layer-pooling layer-convolution layer-pooling layer-fully连接layer-fully连接层。CNN结构用于我们的工作提出了图gydF4y2Ba 11gydF4y2Ba。gydF4y2Ba

CNN结构应用于我们的工作。gydF4y2Ba

 5。的实现和运行平台gydF4y2Ba

TensorFlow谷歌开源是一组机器学习系统,DistBelief的升级版本。根据官方的声明,TensorFlow 2倍可以改善其性能的一些基准测试相比,其代DistBelief。事实上,如果TensorFlow是严格地说,它不是一个神经网络库,但它通常是用于实现神经网络。本质上,TensorFlow应该开源软件库的形式将一个数据流图,并使用它的数值计算。因此,只要你的计算可以用数据流图的形式表达,然后我们可以使用TensorFlow来实现计算。所以,TensorFlow可以说是一个非常强大的和高度灵活的工具。gydF4y2Ba

在这篇文章中,我们最后使用TensorFlow来构建一个卷积神经网络(CNN)。除了上面提到的之外,另一个关键是TensorFlow可移植性的重要特征。该特性可以提供强有力的支持,本文的最终目的实现一个活动识别系统在智能手机终端。我们可以很容易的训练模型无缝地移植到手机项目。gydF4y2Ba

本文将使用熊猫和NumPy进行相关数据处理;使用一些功能在scikit-learn包机器学习分析;我们用来情节和Matplotlib套件。因此,读者可以单独安装这些。当然,为了方便起见,我们可以直接安装蟒蛇喜欢这篇文章,它集成了许多第三方库相关的科学计算,如NumPy和熊猫。整个过程包括四个组件、数据预处理、数据标准化、数据采样和保存的数据。gydF4y2Ba

 6。实验和评价gydF4y2Ba

根据卷积神经网络模型设计部分gydF4y2Ba 3gydF4y2Ba,我们使用TensorFlow提供的函数法来构建网络并配置相应的参数。gydF4y2Ba

6.1。培训模式gydF4y2Ba

为了训练模型,我们需要定义一个索引来评估模型的质量。一般来说,我们定义了一个损失指数,所谓的损失,表明该模型是坏的,然后尽量减少这种程度的指数。本文使用交叉熵作为损失函数。我们不做一个详细的推导过程的交叉熵,但给它的定义如下:gydF4y2Ba (6)gydF4y2Ba HgydF4y2Ba ygydF4y2Ba ′gydF4y2Ba ygydF4y2Ba =gydF4y2Ba −gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba ygydF4y2Ba 我gydF4y2Ba ′gydF4y2Ba 日志gydF4y2Ba ygydF4y2Ba 我gydF4y2Ba 。gydF4y2Ba

其中,gydF4y2Ba ygydF4y2Ba我gydF4y2Ba是预测概率分布,gydF4y2Ba ygydF4y2Ba 我gydF4y2Ba是实际的分布。在实际的实现中,我们计算代码如下:gydF4y2Ba (7)gydF4y2Ba 交叉gydF4y2Ba _gydF4y2Ba 熵gydF4y2Ba =gydF4y2Ba −gydF4y2Ba 特遣部队gydF4y2Ba 。gydF4y2Ba 减少gydF4y2Ba _gydF4y2Ba 总和gydF4y2Ba YgydF4y2Ba ×gydF4y2Ba tgydF4y2Ba fgydF4y2Ba 。gydF4y2Ba 日志gydF4y2Ba ygydF4y2Ba 我gydF4y2Ba 。gydF4y2Ba

其中,y_对应gydF4y2Ba ygydF4y2Ba 我gydF4y2Ba在上面的公式,gydF4y2Ba YgydF4y2Ba对应于gydF4y2Ba ygydF4y2Ba 我gydF4y2Ba公式,cross_entropy是我们定义交叉熵损失。然后,我们选择剃须不断下降算法逆向传播和修改变量值来降低成本。摘要批大小设置为50,学习速率为0.0001,迭代次数为4次。最后,测试结果与正确的获得率为98.24%。为什么我们只需要迭代4倍达到收敛,本文认为,因为我们之前的扩张的数据,很多类似的数据出现在训练集,加快网络的收敛。想象一下如果批量训练是相同的两个批次进行,训练效果的一个迭代可以相当于两个。gydF4y2Ba

 6.2。评价模型和参数调优gydF4y2Ba

本文利用TensorBoard工具追踪损失的变化并在培训过程中精度值。从我们的最终模型的两个值的变化,可以看出,损失价值我们终于模型很快就为0在培训过程中,和培训过程中的精度值很快达到一个水平接近1。因此,可以判断,生成的模型仍然是相对良好的效果。gydF4y2Ba

损失损失在本文中使用叉上面所提到的,这里不重复。我们介绍如何获取精度。我们可以使用tensorflow。argmax函数给索引值的一个张量的最大数据值对象在某一维度。和标签我们之前改变通过熊猫一个炎热的编码。get_dummies函数,所以标签值都由0和1组成的。因此,它可以通过比较已知的预测是否正确是否预测标签的索引值和实际的正确的标签值是相同的。然后计算正确的数量的比例预测,预测的准确率。这个值对模型评价很重要。gydF4y2Ba

此外,本文还使用三个指标来评估模型的质量:F1-score,回忆,和精度。回忆得分越高,模型的识别能力越强阳性样本。精密得分越高,模型越强的能力区分负样本。这表明模型是更健壮。这三个指标的计算公式如下:gydF4y2Ba (8)gydF4y2Ba PgydF4y2Ba =gydF4y2Ba TPgydF4y2Ba TPgydF4y2Ba +gydF4y2Ba 《外交政策》gydF4y2Ba ,gydF4y2Ba RgydF4y2Ba =gydF4y2Ba TPgydF4y2Ba TPgydF4y2Ba +gydF4y2Ba FNgydF4y2Ba ,gydF4y2Ba FgydF4y2Ba 1gydF4y2Ba −gydF4y2Ba 分数gydF4y2Ba =gydF4y2Ba 2gydF4y2Ba PgydF4y2Ba ×gydF4y2Ba RgydF4y2Ba PgydF4y2Ba +gydF4y2Ba RgydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba PgydF4y2Ba表示精度和gydF4y2Ba RgydF4y2Ba表示召回。TP是真阳性样本,TN代表真正的负样本,FP代表假阳性样本,FN代表了假阳性样本。gydF4y2Ba

为了提高这些指标的分数,本文运用控制变量的方法比较多个组的实验和调整模型参数。最后,持续优化后,生成的三个指标得分的模型使用测试集进行测试,精度为0.9825,召回是0.9824,F1-score是0.9823。最后,我们应用该模型输出相应的测试集上的混淆矩阵。所谓的混淆矩阵是使用列代表的预测值模型根据输入,和真实的行对应类别。通过混淆矩阵,我们可以直观地看到所做的预测模型的基础上,我们可以做出更好的决定在我们的模型的状态。测试集的混淆矩阵应用程序表的最后模型gydF4y2Ba 3gydF4y2Ba。gydF4y2Ba

混淆矩阵的预测。gydF4y2Ba

在楼下gydF4y2Ba 运行gydF4y2Ba 坐着gydF4y2Ba 站gydF4y2Ba 楼上gydF4y2Ba 走gydF4y2Ba
在楼下gydF4y2Ba 1773年gydF4y2Ba 2gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 6gydF4y2Ba 4gydF4y2Ba
运行gydF4y2Ba 20.gydF4y2Ba 1122年gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 31日gydF4y2Ba 0gydF4y2Ba
坐着gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 1836年gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba
站gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 2499年gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba
楼上gydF4y2Ba 45gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 1509年gydF4y2Ba 27gydF4y2Ba
走gydF4y2Ba 9gydF4y2Ba 9gydF4y2Ba 0gydF4y2Ba 10gydF4y2Ba 24gydF4y2Ba 1682年gydF4y2Ba

从混淆矩阵的分析,我们可以得出结论,我们做了10608年的预测,其中187是错误的。楼上有72错误;率是4.55%的错误。可以看出,楼上是更容易混淆去楼下散步。有52个错误走;率是3%的错误。结果表明,行走更可能是与楼上会混淆。有51个错误在运行;率是4.35%的错误。跑步是更容易与楼上楼下和混淆。 There are 12 errors on the downstairs; the error rate is 0.67%. This activity is more likely to be confused with going upstairs and walk. The accuracy of sit and stand is 100%. Therefore, it can be concluded that the model is more accurate in the recognition of standing, sitting, and going down, while the recognition of going up, running, and walking is slightly inferior.

 7所示。结论gydF4y2Ba

本文从数据收集、使用卷积神经网络建模,最后移植模型回手机完成活动识别系统。经过一系列的实验和测试,我们发现基于手机传感器的方法收集数据,然后通过卷积神经网络训练模型可以完成的任务活动的认可。在缺乏数据,本文终于可以训练模型的准确率超过98%通过一些操作数据,模型优化和参数调整。gydF4y2Ba

我们验证模型的实际可行性,移植到一个真正的机器测试。因此,本文得出结论,这是完全可行的训练卷积神经网络模型基于手机传感器数据来完成一个活动识别系统,这种方法具有巨大的潜力。gydF4y2Ba

 数据可用性gydF4y2Ba

底层数据支持的结果,本文在研究过程中生成。gydF4y2Ba

 的利益冲突gydF4y2Ba

作者宣称他们没有利益冲突有关的出版。gydF4y2Ba

 确认gydF4y2Ba

这项工作得到了海南省特别重大科技项目(批准号ZDKJ2017012),中国国家重点研发项目(没有。2020 yfb2104004),青海关键研发项目(没有和转换。2021 - gx - 112)。gydF4y2Ba

 肖gydF4y2Ba F。gydF4y2Ba 陈gydF4y2Ba J。gydF4y2Ba 谢gydF4y2Ba X。gydF4y2Ba GuigydF4y2Ba lgydF4y2Ba 太阳gydF4y2Ba lgydF4y2Ba 王gydF4y2Ba R。gydF4y2Ba SEARE:系统的运动活动基于绿色遥感识别和质量评价gydF4y2Ba IEEE新兴主题计算gydF4y2Ba 2018年gydF4y2Ba 8gydF4y2Ba 3gydF4y2Ba 752年gydF4y2Ba 761年gydF4y2Ba 高gydF4y2Ba H。gydF4y2Ba 黄gydF4y2Ba W。gydF4y2Ba 段gydF4y2Ba Y。gydF4y2Ba cloud-edge-based动态重新配置的服务工作流为移动电子商务环境:QoS预测的角度来看gydF4y2Ba ACM网上交易技术gydF4y2Ba 2020年gydF4y2Ba 21gydF4y2Ba 1gydF4y2Ba SaadatgydF4y2Ba M。gydF4y2Ba 苏尔gydF4y2Ba 年代。gydF4y2Ba NelakuditigydF4y2Ba 年代。gydF4y2Ba 拉马纳坦gydF4y2Ba P。gydF4y2Ba MilliCam:手持毫米波成像gydF4y2Ba 29日学报》国际会议上计算机通信和网络(ICCCN)gydF4y2Ba 2020年8月gydF4y2Ba 美国檀香山,嗨gydF4y2Ba 1gydF4y2Ba 9gydF4y2Ba 杨gydF4y2Ba X。gydF4y2Ba 周gydF4y2Ba 年代。gydF4y2Ba 曹gydF4y2Ba M。gydF4y2Ba 稀疏问题的缓解方法混合基于协同过滤的推荐:产品属性的角度从用户评论gydF4y2Ba 移动网络和应用程序gydF4y2Ba 2020年gydF4y2Ba 25gydF4y2Ba 2gydF4y2Ba 376年gydF4y2Ba 390年gydF4y2Ba 10.1007 / s11036 - 019 - 01246 - 2gydF4y2Ba 2 - s2.0 - 85064467222gydF4y2Ba 高gydF4y2Ba H。gydF4y2Ba 旷gydF4y2Ba lgydF4y2Ba 阴gydF4y2Ba Y。gydF4y2Ba 郭gydF4y2Ba B。gydF4y2Ba 窦gydF4y2Ba K。gydF4y2Ba 矿业消费行为演化的个性化推荐移动营销应用程序gydF4y2Ba 移动网络和应用程序gydF4y2Ba 2020年gydF4y2Ba 25gydF4y2Ba 4gydF4y2Ba 1233年gydF4y2Ba 1248年gydF4y2Ba 10.1007 / s11036 - 020 - 01535 - 1gydF4y2Ba 张gydF4y2Ba R。gydF4y2Ba 京gydF4y2Ba X。gydF4y2Ba 吴gydF4y2Ba 年代。gydF4y2Ba 江gydF4y2Ba C。gydF4y2Ba μgydF4y2Ba J。gydF4y2Ba 余gydF4y2Ba F。gydF4y2Ba 人类Device-free无线传感检测方法:深度学习的视角gydF4y2Ba IEEE物联网gydF4y2Ba 2020年gydF4y2Ba 8gydF4y2Ba 4gydF4y2Ba 2517年gydF4y2Ba 2539年gydF4y2Ba 王gydF4y2Ba F。gydF4y2Ba 龚gydF4y2Ba W。gydF4y2Ba 刘gydF4y2Ba J。gydF4y2Ba 吴gydF4y2Ba K。gydF4y2Ba 与无线信道选择性活动识别:深度学习的方法探索宽带信息gydF4y2Ba IEEE网络科学与工程gydF4y2Ba 2018年gydF4y2Ba 7gydF4y2Ba 1gydF4y2Ba 181年gydF4y2Ba 192年gydF4y2Ba 雪gydF4y2Ba H。gydF4y2Ba 余gydF4y2Ba J。gydF4y2Ba 律gydF4y2Ba F。gydF4y2Ba 李gydF4y2Ba M。gydF4y2Ba 推动多路径分析的极限使用商品WiFi设备有限的带宽gydF4y2Ba IEEE车辆技术gydF4y2Ba 2020年gydF4y2Ba 69年gydF4y2Ba 4gydF4y2Ba 4142年gydF4y2Ba 4154年gydF4y2Ba 10.1109 / tvt.2020.2966871gydF4y2Ba 张gydF4y2Ba F。gydF4y2Ba 常gydF4y2Ba Z。gydF4y2Ba 妞妞gydF4y2Ba K。gydF4y2Ba 探索罗拉对穿远程传感gydF4y2Ba 诉讼ACM的互动、移动、可穿戴和无处不在的技术gydF4y2Ba 2020年gydF4y2Ba 4gydF4y2Ba 2gydF4y2Ba 1gydF4y2Ba 27gydF4y2Ba 10.1145 / 3397326gydF4y2Ba WijewardenagydF4y2Ba P。gydF4y2Ba 毗迦gydF4y2Ba 一个。gydF4y2Ba KaseragydF4y2Ba 年代。gydF4y2Ba 马哈茂德gydF4y2Ba 年代。gydF4y2Ba 帕特瓦瑞gydF4y2Ba N。gydF4y2Ba 或者游戏理论框架,攻击防御广播窗口gydF4y2Ba 13 ACM研讨会论文集在无线和移动网络安全和隐私gydF4y2Ba 2020年7月gydF4y2Ba 奥地利林茨gydF4y2Ba 284年gydF4y2Ba 294年gydF4y2Ba 刘gydF4y2Ba J。gydF4y2Ba 刘gydF4y2Ba H。gydF4y2Ba 陈gydF4y2Ba Y。gydF4y2Ba 王gydF4y2Ba Y。gydF4y2Ba 王gydF4y2Ba C。gydF4y2Ba 无线传感人类活动:一项调查gydF4y2Ba IEEE通信调查和教程gydF4y2Ba 2019年gydF4y2Ba 22gydF4y2Ba 3gydF4y2Ba 1629年gydF4y2Ba 1645年gydF4y2Ba 高gydF4y2Ba H。gydF4y2Ba 刘gydF4y2Ba C。gydF4y2Ba 李gydF4y2Ba Y。gydF4y2Ba 杨gydF4y2Ba X。gydF4y2Ba V2VR:可靠hybrid-network-oriented V2V数据传输和路由考虑限制和连接概率gydF4y2Ba 学报IEEE智能交通系统(它)gydF4y2Ba 2020年gydF4y2Ba 早期访问gydF4y2Ba 他gydF4y2Ba Y。gydF4y2Ba 陈gydF4y2Ba Y。gydF4y2Ba 胡gydF4y2Ba Y。gydF4y2Ba 曾gydF4y2Ba B。gydF4y2Ba WiFi愿景:mimo - ofdm无线传感、识别、检测和商品gydF4y2Ba IEEE物联网gydF4y2Ba 2020年gydF4y2Ba 7gydF4y2Ba 9gydF4y2Ba 8296年gydF4y2Ba 8317年gydF4y2Ba 10.1109 / jiot.2020.2989426gydF4y2Ba 汉gydF4y2Ba Z。gydF4y2Ba 陆gydF4y2Ba Z。gydF4y2Ba 温gydF4y2Ba X。gydF4y2Ba 赵gydF4y2Ba J。gydF4y2Ba 郭gydF4y2Ba lgydF4y2Ba 刘gydF4y2Ba Y。gydF4y2Ba 使用商品无线空中笔迹的被动姿态跟踪gydF4y2Ba IEEE通信信gydF4y2Ba 2020年gydF4y2Ba 24gydF4y2Ba 11gydF4y2Ba 2652年gydF4y2Ba 2656年gydF4y2Ba 10.1109 / lcomm.2020.3007982gydF4y2Ba 阴gydF4y2Ba Y。gydF4y2Ba 黄gydF4y2Ba Q。gydF4y2Ba 高gydF4y2Ba H。gydF4y2Ba 徐gydF4y2Ba Y。gydF4y2Ba 个性化的api推荐与认知知识挖掘工业系统gydF4y2Ba IEEE工业信息gydF4y2Ba 2020年gydF4y2Ba 早期访问gydF4y2Ba 阴gydF4y2Ba H。gydF4y2Ba 周gydF4y2Ba 一个。gydF4y2Ba 苏gydF4y2Ba G。gydF4y2Ba 陈gydF4y2Ba B。gydF4y2Ba 刘gydF4y2Ba lgydF4y2Ba 马gydF4y2Ba H。gydF4y2Ba 学习和声学特性识别手写输入gydF4y2Ba 诉讼ACM的互动、移动、可穿戴和无处不在的技术gydF4y2Ba 2020年gydF4y2Ba 4gydF4y2Ba 2gydF4y2Ba 1gydF4y2Ba 26gydF4y2Ba 10.1145 / 3397334gydF4y2Ba 黄gydF4y2Ba d . Y。gydF4y2Ba ApthorpegydF4y2Ba N。gydF4y2Ba 李gydF4y2Ba F。gydF4y2Ba AcargydF4y2Ba G。gydF4y2Ba FeamstergydF4y2Ba N。gydF4y2Ba 检查员gydF4y2Ba 物联网。gydF4y2Ba 物联网检查员gydF4y2Ba 诉讼ACM的互动、移动、可穿戴和无处不在的技术gydF4y2Ba 2020年gydF4y2Ba 4gydF4y2Ba 2gydF4y2Ba 1gydF4y2Ba 21gydF4y2Ba 10.1145 / 3397333gydF4y2Ba 悦gydF4y2Ba 年代。gydF4y2Ba 杨gydF4y2Ba Y。gydF4y2Ba 王gydF4y2Ba H。gydF4y2Ba 拉胡尔gydF4y2Ba H。gydF4y2Ba KatabigydF4y2Ba D。gydF4y2Ba BodyCompassgydF4y2Ba 诉讼ACM的互动、移动、可穿戴和无处不在的技术gydF4y2Ba 2020年gydF4y2Ba 4gydF4y2Ba 2gydF4y2Ba 1gydF4y2Ba 25gydF4y2Ba 10.1145 / 3397311gydF4y2Ba 陈gydF4y2Ba J。gydF4y2Ba 李gydF4y2Ba F。gydF4y2Ba 陈gydF4y2Ba H。gydF4y2Ba 杨gydF4y2Ba 年代。gydF4y2Ba 王gydF4y2Ba Y。gydF4y2Ba 动态手势识别使用无线信号干扰较小gydF4y2Ba 个人和无处不在的计算gydF4y2Ba 2019年gydF4y2Ba 23gydF4y2Ba 1gydF4y2Ba 17gydF4y2Ba 27gydF4y2Ba 10.1007 / s00779 - 018 - 1182 - xgydF4y2Ba 2 - s2.0 - 85057790502gydF4y2Ba 希斯gydF4y2Ba r·W。gydF4y2Ba 通信和传感:汽车系统(从编辑器)的机会gydF4y2Ba IEEE信号处理杂志gydF4y2Ba 2020年gydF4y2Ba 37gydF4y2Ba 4gydF4y2Ba 3gydF4y2Ba 13gydF4y2Ba 10.1109 / msp.2020.2990328gydF4y2Ba KleisourisgydF4y2Ba K。gydF4y2Ba 积雪gydF4y2Ba B。gydF4y2Ba 霍华德gydF4y2Ba R。gydF4y2Ba 张gydF4y2Ba Y。gydF4y2Ba 马丁gydF4y2Ba r P。gydF4y2Ba 与信号强度检测intra-room流动描述符gydF4y2Ba 学报ACM国际研讨会上移动Ad Hoc网络和计算(MobiHoc)gydF4y2Ba 2010年9月gydF4y2Ba 美国芝加哥gydF4y2Ba 71年gydF4y2Ba 80年gydF4y2Ba 魏gydF4y2Ba B。gydF4y2Ba 胡gydF4y2Ba W。gydF4y2Ba 杨gydF4y2Ba M。gydF4y2Ba 周gydF4y2Ba c . T。gydF4y2Ba 从现实到复杂gydF4y2Ba ACM传感器网络交易gydF4y2Ba 2019年gydF4y2Ba 15gydF4y2Ba 3gydF4y2Ba 1gydF4y2Ba 32gydF4y2Ba 10.1145 / 3338026gydF4y2Ba 阿迪gydF4y2Ba F。gydF4y2Ba KatabigydF4y2Ba D。gydF4y2Ba 与wifi看穿墙壁!gydF4y2Ba 学报ACM SIGCOMM会议gydF4y2Ba 2013年8月gydF4y2Ba 中国香港gydF4y2Ba 75年gydF4y2Ba 86年gydF4y2Ba 10.1145/2534169.2486039gydF4y2Ba 2 - s2.0 - 84891595310gydF4y2Ba 霍尔柏林gydF4y2Ba D。gydF4y2Ba 胡gydF4y2Ba W。gydF4y2Ba ShethgydF4y2Ba 一个。gydF4y2Ba WetherallgydF4y2Ba D。gydF4y2Ba 工具版本:与信道状态信息收集802.11 n的痕迹gydF4y2Ba ACM SIGCOMM计算机通信评审gydF4y2Ba 2011年gydF4y2Ba 41gydF4y2Ba 1gydF4y2Ba 53gydF4y2Ba 王gydF4y2Ba Y。gydF4y2Ba 吴gydF4y2Ba K。gydF4y2Ba 倪gydF4y2Ba lgydF4y2Ba WifallgydF4y2Ba M。gydF4y2Ba Device-free秋天的检测无线网络gydF4y2Ba IEEE移动计算gydF4y2Ba 2016年gydF4y2Ba 16gydF4y2Ba 2gydF4y2Ba 郑gydF4y2Ba X。gydF4y2Ba 王gydF4y2Ba J。gydF4y2Ba 上官gydF4y2Ba lgydF4y2Ba 无处不在的吸烟检测withcommercial无线基础设施。计算机通信gydF4y2Ba 美国第35届IEEE国际计算机通讯大会上(信息通信)gydF4y2Ba 2016年4月gydF4y2Ba 旧金山,加州,美国gydF4y2Ba 1gydF4y2Ba 9gydF4y2Ba 李gydF4y2Ba R。gydF4y2Ba 江gydF4y2Ba Z。gydF4y2Ba 徐gydF4y2Ba Y。gydF4y2Ba 高gydF4y2Ba H。gydF4y2Ba 陈gydF4y2Ba F。gydF4y2Ba 杜gydF4y2Ba J。gydF4y2Ba 在移动环境中Device-free室内的多目标跟踪gydF4y2Ba 移动网络和应用程序gydF4y2Ba 2020年gydF4y2Ba 25gydF4y2Ba 4gydF4y2Ba 1195年gydF4y2Ba 1207年gydF4y2Ba 10.1007 / s11036 - 020 - 01540 - 4gydF4y2Ba LeigydF4y2Ba J。gydF4y2Ba 任gydF4y2Ba X。gydF4y2Ba 福克斯gydF4y2Ba D。gydF4y2Ba 细粒度的厨房使用rgb-d活动识别gydF4y2Ba ACM会议程序无处不在的计算(主要)gydF4y2Ba 2012年9月gydF4y2Ba 美国宾夕法尼亚州匹兹堡gydF4y2Ba 208年gydF4y2Ba 211年gydF4y2Ba KaranamgydF4y2Ba C。gydF4y2Ba KoranygydF4y2Ba B。gydF4y2Ba MostofigydF4y2Ba Y。gydF4y2Ba Magnitude-based的着陆角度评估、定位和目标跟踪gydF4y2Ba 学报17 ACM和IEEE国际会议在传感器网络的信息处理gydF4y2Ba 2018年4月gydF4y2Ba 葡萄牙的波尔图街头gydF4y2Ba 254年gydF4y2Ba 265年gydF4y2Ba KeallygydF4y2Ba M。gydF4y2Ba 周gydF4y2Ba G。gydF4y2Ba 兴gydF4y2Ba G。gydF4y2Ba 吴gydF4y2Ba J。gydF4y2Ba 帕勒斯gydF4y2Ba a·J。gydF4y2Ba PBN:对实践活动分享服务识别使用身体传感器网络gydF4y2Ba ACM会议程序嵌入式网络化传感器系统(SenSys)gydF4y2Ba 2011年11月gydF4y2Ba 美国华盛顿特区gydF4y2Ba 246年gydF4y2Ba 259年gydF4y2Ba 陆gydF4y2Ba J。gydF4y2Ba 郑gydF4y2Ba X。gydF4y2Ba 盛gydF4y2Ba M。gydF4y2Ba 人类活动有效识别使用一个可穿戴传感器gydF4y2Ba IEEE物联网gydF4y2Ba 2020年gydF4y2Ba 7gydF4y2Ba 11gydF4y2Ba 1137年gydF4y2Ba 1146年gydF4y2Ba 10.1109 / jiot.2020.2995940gydF4y2Ba YatanigydF4y2Ba K。gydF4y2Ba TruonggydF4y2Ba k . N。gydF4y2Ba Bodyscope。活动识别的可穿戴的声学传感器gydF4y2Ba 无处不在的计算的ACM会议(主要)gydF4y2Ba 2012年9月gydF4y2Ba 美国宾夕法尼亚州匹兹堡gydF4y2Ba 341年gydF4y2Ba 350年gydF4y2Ba GollakotagydF4y2Ba 年代。gydF4y2Ba HassaniehgydF4y2Ba H。gydF4y2Ba RansfordgydF4y2Ba B。gydF4y2Ba KatabigydF4y2Ba D。gydF4y2Ba 傅gydF4y2Ba K。gydF4y2Ba 他们能听到自己的心跳gydF4y2Ba ACM SIGCOMM计算机通信评审gydF4y2Ba 2011年gydF4y2Ba 41gydF4y2Ba 4gydF4y2Ba 2gydF4y2Ba 13gydF4y2Ba 10.1145/2043164.2018438gydF4y2Ba 王gydF4y2Ba G。gydF4y2Ba 邹gydF4y2Ba Y。gydF4y2Ba 周gydF4y2Ba Z。gydF4y2Ba 吴gydF4y2Ba K。gydF4y2Ba 倪gydF4y2Ba l . M。gydF4y2Ba 我们可以用wi - fi听到你!gydF4y2Ba IEEE移动计算gydF4y2Ba 2016年gydF4y2Ba 15gydF4y2Ba 11gydF4y2Ba 2907年gydF4y2Ba 2920年gydF4y2Ba 10.1109 / tmc.2016.2517630gydF4y2Ba 2 - s2.0 - 84992135524gydF4y2Ba 旷gydF4y2Ba lgydF4y2Ba 龚gydF4y2Ba T。gydF4y2Ba 欧阳gydF4y2Ba 年代。gydF4y2Ba 高gydF4y2Ba H。gydF4y2Ba 邓gydF4y2Ba 年代。gydF4y2Ba 卸载决策方法为多个用户提供结构化的任务计算智能城市的边缘gydF4y2Ba 未来一代计算机系统gydF4y2Ba 2020年gydF4y2Ba 105年gydF4y2Ba 717年gydF4y2Ba 729年gydF4y2Ba 10.1016 / j.future.2019.12.039gydF4y2Ba KrizhevskygydF4y2Ba 一个。gydF4y2Ba SutskevergydF4y2Ba 我。gydF4y2Ba 辛顿gydF4y2Ba g . E。gydF4y2Ba Imagenet deepconvolutional神经网络分类gydF4y2Ba 学术会议进展的神经信息处理系统(NeurIPS)gydF4y2Ba 2012年12月gydF4y2Ba 太浩湖,NV,美国gydF4y2Ba 1097年gydF4y2Ba 1105年gydF4y2Ba KalourisgydF4y2Ba G。gydF4y2Ba ZacharakigydF4y2Ba e . I。gydF4y2Ba MegalooikonomougydF4y2Ba V。gydF4y2Ba 改善CNN-based活动识别的数据增强学习和转移gydF4y2Ba 学报IEEE国际会议产业信息(ICII)gydF4y2Ba 2019年6月gydF4y2Ba 西安,中国gydF4y2Ba 1387年gydF4y2Ba 1394年gydF4y2Ba KhairegydF4y2Ba P。gydF4y2Ba 库马尔gydF4y2Ba P。gydF4y2Ba 伊姆兰gydF4y2Ba J。gydF4y2Ba 结合人类活动CNN RGB-D和骨骼数据流识别gydF4y2Ba 模式识别的字母gydF4y2Ba 2018年gydF4y2Ba 115年gydF4y2Ba 107年gydF4y2Ba 116年gydF4y2Ba 10.1016 / j.patrec.2018.04.035gydF4y2Ba 2 - s2.0 - 85048732871gydF4y2Ba 张gydF4y2Ba J。gydF4y2Ba 吴gydF4y2Ba F。gydF4y2Ba 魏gydF4y2Ba B。gydF4y2Ba 数据增加和dense-LSTM人类活动识别使用无线信号gydF4y2Ba IEEE物联网gydF4y2Ba 2020年gydF4y2Ba 早期访问gydF4y2Ba 王gydF4y2Ba Z。gydF4y2Ba 余gydF4y2Ba Z。gydF4y2Ba 卢gydF4y2Ba X。gydF4y2Ba 郭gydF4y2Ba B。gydF4y2Ba 陈gydF4y2Ba lgydF4y2Ba Gesture-Radar:基于双多普勒雷达系统健壮的人类手势的识别和定量分析gydF4y2Ba IEEE人机系统gydF4y2Ba 2020年gydF4y2Ba 51gydF4y2Ba 1gydF4y2Ba 32gydF4y2Ba 43gydF4y2Ba