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

文摘

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。

1。介绍

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1,2]。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(3,4]。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(5,6]。

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(7,8]。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(9,10]。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(11,12]。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。

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(13,14]。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15,16]。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17,18]。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。

研究人类活动识别可以分为两个总体的方向(19]。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TensorFlow¹(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。

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

2。相关工作

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20.,21]。

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22,23),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24]。无线网络可以实现device-free秋天检测(25],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(26]。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(27]。

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28,29日]。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30.,31日]。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32]。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 (33]。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34]。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(35]。

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(36]。根据CNN,活动识别的能力提高了使用数据增强和转移学习(37]。开发活动识别框架基于CNN (38]。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(39,40]。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。

3所示。数据收集

3.1。传感器的智能手机

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1,电话是积极的x设在方向,y设在是向上的方向,z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x设在,y设在,z设在。

看谷歌Android开发者官方网站²,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x- - - - - -,y- - - - - -,z设在加速m / s²(包括重力和x- - - - - -,y- - - - - -,z相互重合在图所示1)。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1),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:

重力总是影响测量精度,计算按照下列关系:

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。(1)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。(2)第二,我们创建一个传感器类的实例(加速度传感器)SensorManager实例。(3)我们使用SensorManager设置加速度传感器的采样频率和事件监视。(4)我们重写侦听器方法,onSensorChanged (SensorEvent事件),相应坐标轴上的加速度x,y,z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。

3.2。数据收集器的设计和实现

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:

数据格式:用户ID、时间戳x设在加速度,y设在加速度,z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2。

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2。

特定的饼图分布如图3。

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x,y,z正常化后加速度和真正的加速。计算如下: 在Acc表示总加速度。

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采样波形在楼下图中给出了4,4 s采样波形图运行图中给出了5的4 s采样波形坐着图中给出了6。的4 s采样波形站如图7的4 s采样波形楼上如图8的4 s采样波形走如图9。

4所示。卷积神经网络模型

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。

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10。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。(1)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。(2)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。(3)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。

LeNet-5采用本文的计算过程如下。上一层的重量产生的代表神经单元的我。我们使用乙状结肠函数生成的状态z_我,这是计算如下: 乙状结肠( )指的是乙状结肠函数。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计算最终结果随着每个类 在哪里代表了地面实况的状态。

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10。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11。

5。的实现和运行平台

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。

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。

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。

6。实验和评价

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

6.1。培训模式

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:

其中,y_我是预测概率分布,y_我是实际的分布。在实际的实现中,我们计算代码如下:

其中,y_对应y_我在上面的公式,Y对应于y_我公式,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。

6.2。评价模型和参数调优

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。

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。

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: 在哪里P表示精度和R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。

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3。

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

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。

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。

数据可用性

底层数据支持的结果,本文在研究过程中生成。

的利益冲突

作者宣称他们没有利益冲突有关的出版。

确认

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)。

引用

1. f·肖,j . Chen x谢,l . Gui l .太阳和r·王”SEARE:系统的运动活动基于绿色遥感识别和质量评价,“IEEE新兴主题计算,8卷,不。3、752 - 761年,2018页。视图:谷歌学术搜索
2. h·高、w·黄和y段,“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,“ACM网上交易技术,21卷,不。1,2020。视图:谷歌学术搜索
3. m·萨达特s, s . Nelakuditi p·拉马纳坦,“MilliCam:手持毫米波成像,”29日学报》国际会议上计算机通信和网络(ICCCN)火奴鲁鲁,页1 - 9,嗨,美国,2020年8月。视图:谷歌学术搜索
4. 周x, s, m .曹”的方法来缓解的稀疏问题混合基于协同过滤的推荐:用户评论的产品属性的角度来看,“移动网络和应用程序,25卷,不。2、376 - 390年,2020页。视图:出版商的网站|谷歌学术搜索
5. h·高旷l ., y, b .郭和k .窦”挖掘消费行为与移动营销应用的个性化推荐,演化”移动网络和应用程序,25卷,不。4、1233 - 1248年,2020页。视图:出版商的网站|谷歌学术搜索
6. r·张x,吴,c .江j .μf . Yu,“人类Device-free无线传感检测方法:深度学习的角度来看,“IEEE物联网,8卷,不。4、2517 - 2539年,2020页。视图:谷歌学术搜索
7. w . f . Wang锣,j·刘,k . Wu”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,“IEEE网络科学与工程,7卷,不。1,第192 - 181页,2018。视图:谷歌学术搜索
8. f . h .雪j . Yu律,m·李”推动多路径分析的极限使用商品WiFi设备有限的带宽,”IEEE车辆技术,卷69,不。4、4142 - 4154年,2020页。视图:出版商的网站|谷歌学术搜索
9. f·张,z . Chang k妞妞et al .,“探索罗拉对穿远程传感、”诉讼ACM的互动、移动、可穿戴和无处不在的技术,4卷,不。2,1-27,2020页。视图:出版商的网站|谷歌学术搜索
10. p . Wijewardena毗迦,s . Kasera s马哈茂德和帕特瓦瑞n,“或者游戏理论框架防御广播窗口攻击,”13 ACM研讨会论文集在无线和移动网络安全和隐私林茨,页284 - 294年,奥地利,2020年7月。视图:谷歌学术搜索
11. 陈h . j . Liu, y, y . Wang和c·王,“无线传感为人类活动:一项调查,”IEEE通信调查和教程,22卷,不。3、1629 - 1645年,2019页。视图:谷歌学术搜索
12. h·高,c . Liu和杨x, y . Li”V2VR:可靠hybrid-network-oriented V2V数据传输和路由考虑限制和连接概率,”学报IEEE智能交通系统(它),2020年,早期的访问。视图:谷歌学术搜索
13. 胡y, y, y, b .曾“WiFi愿景:感知、识别和检测与mimo - ofdm无线商品,”IEEE物联网,7卷,不。9日,第8317 - 8296页,2020年。视图:出版商的网站|谷歌学术搜索
14. 温陆韩z z、x、j .赵l .郭和y . Liu,“空中笔迹的被动姿态跟踪使用商品WiFi,”IEEE通信信,24卷,不。11日,第2656 - 2652页,2020年。视图:出版商的网站|谷歌学术搜索
15. y阴,问:黄、h·高和y,“个性化api推荐与认知知识挖掘工业系统中,“IEEE工业信息,2020年,早期的访问。视图:谷歌学术搜索
16. h .阴,a .周苏,b . Chen l . Liu和h·马,“学习与声学特性,识别手写输入”诉讼ACM的互动、移动、可穿戴和无处不在的技术,4卷,不。2,1-26,2020页。视图:出版商的网站|谷歌学术搜索
17. 黄d . y . n . Apthorpe f, g . Acar n . Feamster和物联网。检查员,“物联网检查器”,诉讼ACM的互动、移动、可穿戴和无处不在的技术,4卷,不。2、21、2020页。视图:出版商的网站|谷歌学术搜索
18. 悦,y, h·拉胡尔h . Wang和d . Katabi”BodyCompass。”诉讼ACM的互动、移动、可穿戴和无处不在的技术,4卷,不。2,页1 - 25,2020。视图:出版商的网站|谷歌学术搜索
19. h·f·j . Chen Li,杨,和y王,“动态手势识别使用无线信号干扰较少,“个人和无处不在的计算,23卷,不。1,17-27,2019页。视图:出版商的网站|谷歌学术搜索
20. r·w·希斯,“通信和传感:汽车系统(从编辑器)的机会,“IEEE信号处理杂志,37卷,不。4,2020页。3日到13。视图:出版商的网站|谷歌学术搜索
21. k . Kleisouris积雪,r·霍华德,y,, r·p·马丁”与信号强度描述符检测intra-room流动性,”学报ACM国际研讨会上移动Ad Hoc网络和计算(MobiHoc),第80 - 71页,芝加哥,2010年9月,美国。视图:谷歌学术搜索
22. b·魏w·胡、m·杨和c·t·周”的复杂,“ACM传感器网络交易,15卷,不。3、学会年会,2019页。视图:出版商的网站|谷歌学术搜索
23. f·阿迪和d . Katabi看穿墙壁与无线网络!,“在学报ACM SIGCOMM会议,页75 - 86,香港,中国,2013年8月。视图:出版商的网站|谷歌学术搜索
24. d . Halperin w·胡、a . Sheth和d . Wetherall”工具发布:与信道状态信息收集802.11 n的痕迹,“ACM SIGCOMM计算机通信评审第41卷。。1,53页,2011年。视图:谷歌学术搜索
25. l . k . y . Wang Wu倪,m . Wifall Device-free秋天检测到无线网络,“IEEE移动计算,16卷,不。2、2016。视图:谷歌学术搜索
26. x郑,j . Wang和l .上官”无处不在吸烟检测withcommercial无线基础设施。在计算机通信。美国第35届IEEE国际计算机通讯大会上(信息通信)旧金山,页1 - 9、钙、美国,2016年4月。视图:谷歌学术搜索
27. 江z . r . Li, y, h·高f . Chen和j . Du Device-free室内多目标跟踪在移动环境中,“移动网络和应用程序,25卷,不。4、1195 - 1207年,2020页。视图:出版商的网站|谷歌学术搜索
28. 任j . Lei x和d·福克斯,“细粒度的厨房使用rgb-d活动识别,”ACM会议程序无处不在的计算(主要),页208 - 211,宾夕法尼亚州匹兹堡,美国,2012年9月。视图:谷歌学术搜索
29. c . Karanam b Korany, y Mostofi”Magnitude-based的着陆角度评估、定位、目标跟踪,”学报17 ACM和IEEE国际会议在传感器网络的信息处理葡萄牙波尔图,页254 - 265,,2018年4月。视图:谷歌学术搜索
30. m . Keally g, g, a·j·帕勒斯,j . Wu”分享服务PBN:对实践活动识别使用身体传感器网络,”ACM会议程序嵌入式网络化传感器系统(SenSys)华盛顿特区,页246 - 259,美国2011年11月。视图:谷歌学术搜索
31. j . Lu x郑,m .盛,“人类活动有效识别使用一个可穿戴传感器,”IEEE物联网,7卷,不。11日,第1146 - 1137页,2020年。视图:出版商的网站|谷歌学术搜索
32. Bodyscope k Yatani和k . n . Truong。”活动识别,可穿戴的声学传感器”无处不在的计算的ACM会议(主要),页341 - 350,宾夕法尼亚州匹兹堡,美国,2012年9月。视图:谷歌学术搜索
33. s . Gollakota h . Hassanieh Ransford, d . Katabi k .傅,“他们能听到你心跳,”ACM SIGCOMM计算机通信评审第41卷。。4、13、2011页。视图:出版商的网站|谷歌学术搜索
34. y . g . Wang邹,z, k . Wu和l . m .倪,“我们可以用wi - fi听到你!”IEEE移动计算,15卷,不。11日,第2920 - 2907页,2016年。视图:出版商的网站|谷歌学术搜索
35. l .旷t .锣,欧阳,h·高和s .邓“卸载决策方法为多个用户提供结构化的任务在边缘计算智能城市”未来一代计算机系统卷,105年,第729 - 717页,2020年。视图:出版商的网站|谷歌学术搜索
36. a . Krizhevsky i Sutskever, g·e·辛顿“Imagenet分类与deepconvolutional神经网络”学术会议进展的神经信息处理系统(NeurIPS)太浩湖,页1097 - 1105年,NV,美国,2012年12月。视图:谷歌学术搜索
37. g . Kalouris,依Zacharaki,诉Megalooikonomou,“改善CNN-based活动识别的数据增加和转移学习,”学报IEEE国际会议产业信息(ICII)西安,页1387 - 1394年,中国,2019年6月。视图:谷歌学术搜索
38. p . Khaire p·库马尔,j·伊姆兰,“CNN RGB-D和骨骼数据流相结合人类活动识别,”模式识别的字母卷,115年,第116 - 107页,2018年。视图:出版商的网站|谷歌学术搜索
39. j·张,f·吴魏,“数据扩充和dense-LSTM人类活动识别使用无线信号,”IEEE物联网,2020年,早期的访问。视图:谷歌学术搜索
40. x z z . Wang Yu卢,b .郭和l·陈,“Gesture-Radar:基于双多普勒雷达系统鲁棒识别和定量分析人类的手势,“IEEE人机系统,51卷,不。1,32-43,2020页。视图:谷歌学术搜索

版权

版权©2021 Junkuo曹等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。