• 1. 重庆大学 微电子与通信工程学院(重庆 400044);
  • 2. 重庆医科大学 医学信息学院(重庆 400016);
导出 下载 收藏 扫码 引用

随着智能手机等移动设备感知、计算能力的飞速提升,以移动设备作为载体的人体活动识别成为新的研究热点。利用智能移动设备中的加速度传感器等采集到的惯导信息进行人体活动识别,相比于常用的计算机视觉识别,具有应用方便、成本低且更能反映人体运动本质等优势。本文采用智能手机采集到的 WISDM 数据集,构建了基于加速度计惯导信息和卷积神经网络(CNN) 的人体活动识别模型,并同时引入 K 最近邻算法(KNN)和随机森林算法来对 CNN 网络进行评估。CNN 模型的分类正确率达到了 92.73%,相较于 KNN 和随机森林都有很大提高。实验结果表明,与 KNN、随机森林算法相比,CNN 算法模型可以实现更精确的人体活动识别,在预测和促进人体健康水平方面具有广阔的应用前景。

引用本文: 李新科, 刘欣雨, 李勇明, 曹海林, 陈艺航, 林宜成, 黄新鑫. 基于惯导信息和卷积神经网络的人体活动识别. 生物医学工程学杂志, 2020, 37(4): 596-601. doi: 10.7507/1001-5515.201905042 复制

  • 上一篇

    基于皮层脑网络的背景音乐对空间认知工作记忆影响的实验研究
  • 下一篇

    2000年—2019年中国康复机器人国际科研合作文献计量分析