返回
A Distributed Wearable Computing Framework for Human Activity Classification
DOI:10.3390/electronics14163203.png)
摘要
En 中文
基于可穿戴传感器的行为识别(HAR)在医疗保健、运动监测和康复等应用中发挥着关键作用。传统方法通常依赖集中式模型,同时聚合和处理来自多个传感器的数据。然而,这种架构往往存在高延迟、通信开销增加、可扩展性受限和鲁棒性降低等问题,特别是在动态环境中,可穿戴系统在资源受限条件下运行时尤为突出。本文提出了一种用于HAR的分布式神经网络框架,其中每个可穿戴传感器独立使用轻量级神经网络模型处理其数据,并将高级特征或预测结果传输至中央神经网络进行最终分类。该策略减轻了中央节点的计算负载,减少了网络数据传输,并增强了用户隐私。我们使用公开可用的多传感器HAR数据集评估了所提出的分布式框架,并将其性能与在相同数据上训练的集中式神经网络进行了比较。结果表明,分布式方法在实现相当或更优分类精度的同时,显著降低了推理延迟和能耗。这些发现强调了分布式智能在可穿戴系统中对于实时、高效能耗的人体活动监测的潜力。
Keyword:
Human Activity Recognition
wearable sensors
distributed neural networks
real-time monitoring
energy efficiency
期刊
IF:
2.6
论文数:
1.1W
被引数:
5.1W
机构
暂无机构信息
引用论文
An Adaptive Algorithm to Improve Energy Efficiency in Wearable Activity Recognition Systems
IEEE SENSORS JOURNAL
IF4.5
LightHART: Lightweight Human Activity Recognition TransformerHaque, S.T.; Ni, J.; Li, J.; Yan, Y.; Ngu, A.H.H. LightHART:轻量级人类活动识别Transformer。载于《计算机科学讲义:模式识别》;Springer Nature出版社:瑞士楚格,2024年;第425-441页。 [Google Scholar] [CrossRef]
Human Activities and Postures Recognition: From Inertial Measurements to Quaternion-Based Approaches
SENSORS
IF3.5
Deep Convolutional and LSTM Recurrent Neural Networks for Multimodal Wearable Activity Recognition用于多模式可穿戴活动识别的深度卷积和LSTM循环神经网络
SENSORS
IF3.5
Multi-Frequency Federated Learning for Human Activity Recognition Using Head-Worn SensorsFenoglio, D.; Li, M.; Casnici, D.; Laporte, M.; Gashi, S.; Santini, S.; Gjoreski, M.; Langheinrich, M. 基于头部佩戴传感器的多频联邦学习用于人类活动识别。在2024年国际智能环境会议(IE)会议录,斯洛文尼亚卢布尔雅那,2024年6月17—20日;第17—24页。[Google Scholar][CrossRef]
Wireless body area sensor networks based human activity recognition using deep learning
SCIENTIFIC REPORTS
IF3.9

