.png){kind=icon}
返回
CatBoost-based stacked ensemble model for human activity recognition
.png){kind=icon}
PRE
AI
DOI：10.1177/15741702251403182.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
人类活动识别（HAR）是一项具有挑战性的任务，涉及从传感器、视频或图像采集的数据中准确分类多样化的日常活动。本研究提出了一种稳健的HAR框架，该框架将CatBoost与堆叠集成学习（SEL）策略相结合，通过组合多个基分类器来提升准确性和泛化能力，超越传统机器学习方法。该框架首先在基准WISDM、RealWorld和PAMAP2数据集上进行评估，这些数据集包含使用滑动窗口方法分段的原始三轴加速度计信号，验证了其有效性。SEL框架中的CatBoost模型在识别步行和慢跑等活动中表现出优异性能，同时对楼梯相关活动也实现了近乎完美的识别，在所有WISDM活动中，平均准确率达到87.06%、召回率为89.25%、精确率为79.93%、F1得分为84.26%、ROC-AUC为85.43%。为评估泛化能力，该框架进一步在RealWorld HAR和PAMAP2数据集上进行测试。在RealWorld HAR上，其准确率达到99.2%、召回率为99.06%、精确率为99.23%、F1得分为99.13%、ROC-AUC为99.1%；而在PAMAP2上，准确率达到99.43%、召回率为99.33%、精确率为99.53%、F1得分为99.43%、ROC-AUC为99.36%。这些结果表明，集成学习与提升方法的结合能够推动基于传感器的HAR在多个基准数据集上的发展，为实际场景提供高可靠性和泛化能力。
Keyword:
human activity recognition
smartphone sensors
accelerometer data
ensemble learning
CatBoost
classification models
boosting algorithms
wearablecomputing
期刊
M
IF:
0.4
论文数:
11
被引数:
0
机构
引用论文
WITS: an IoT-endowed computational framework for activity recognition in personalized smart homes智慧: 一种物联网赋予的个性化智能家居活动识别计算框架.png)
COMPUTING
COMPUTINGIF2.8
PREAI
分享收藏Human activity recognition using tools of convolutional neural networks: A state of the art review, data sets, challenges, and future prospects使用卷积神经网络工具进行人类活动识别: 最新技术综述，数据集，挑战和未来前景
OAAI
OAAI分享收藏A Novel Hybrid Gradient-Based Optimizer and Grey Wolf Optimizer Feature Selection Method for Human Activity Recognition Using Smartphone SensorsEntropyOAAI
EntropyIF0
OAAI分享收藏GRU-INC: An inception-attention based approach using GRU for human activity recognitionGru-inc: 一种基于初始注意力的GRU人类活动识别方法
PREAI
分享收藏
查看更多内容