论文部分内容阅读
随着现代生活节奏的加快,年轻人由于学业压力或工作压力的增加而越来越忽视自身的健康,同时年轻人的压力过大使他们没有很多的时间来陪伴家中的老人,在老年人发生意外的时候无法及时地对其进行救助,因此有必要对人们的日常活动进行监测和识别,以便及时地对自身健康进行反馈或者对发生意外的老人进行及时救助。利用嵌入便携式设备的传感器对人类活动信息进行收集,对信息进行分析来识别人类活动是目前研究的热点之一。深度神经网络可以直接对不经过特别处理的原始数据进行分析,并可以进行“自主学习”,与传统的分类方法相比,前者具有独特的优势。本文主要介绍了不同的深度神经网络结构,随后利用不同的网络对由传感器收集的人类活动信号进行分类识别。本文主要进行了以下工作:首先,以LeNet-5网络为例介绍了卷积神经网络(Convolutional Neural Network,CNN),对其各部分的功能进行了分析,随后介绍了CNN的训练过程,并对使用嵌入手机内传感器收集到的WISDM人类活动数据集进行活动识别处理。说明与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,先介绍了循环神经网络(Recurrent Neural Network,RNN),由于RNN具有梯度爆炸/梯度消失的问题,随后引入了长短时记忆网络(Long Short-Term Memory,LSTM)并详细地介绍了其在处理人类活动时间序列上的优势。我们将LSTM用于处理UCI HAR手机传感器数据集,通过不同参数条件下的多组对比实验,得到了能够对数据得到良好分类效果的多层LSTM网络。最后,介绍了残差网络(Residual Network,ResNet),对其基本的组成单元——“残差单元”的构造及其多个单元组成网络的信号处理进行了分析,并将ResNet方法从处理图像分类“迁移”至对WISDM人类活动数据集的分类上来,进行了多组对比实验。活动识别正确率随着网络的加深而逐步提高,但效果稍差于CNN,在文中对其原因进行了多方面的探讨。