arrow
返回

A Distributed Wearable Computing Framework for Human Activity Classification

delete2025-08-17
delete0
delete
OA
AI
J
Jhonathan L. Rivas-Caicedo *
K
Kevin Niño-Tejada
L
Laura Saldaña-Aristizábal
DOI:10.3390/electronics14163203delete
delete原文链接
delete分享
delete收藏
摘要

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

Electronics 封面图
Electronics
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

引用论文

err分享
err收藏
err分享
err收藏
Wireless body area sensor networks based human activity recognition using deep learning
err2024-02-01
err9
errOAAI
errEl-Adawi, Ehab; Essa, Ehab; Handosa, Mohamed; Elmougy, Samir
err分享
err收藏
err分享
err收藏
Deep Learning in Human Activity Recognition with Wearable Sensors: A Review on Advances深度学习在可穿戴式传感器人体活动识别中的研究进展
errSENSORS
IF3.5
err2022-02-14
err221
errOAAI
errZhang, Shibo; Li, Yaxuan; Zhang, Shen; Shahabi, Farzad; Xia, Stephen; Deng, Yu; Alshurafa, Nabil
err分享
err收藏
学者 查看更多内容