Enhanced human posture recognition using multi-stream deep CNN with blended ensemble classification

doi:10.1038/s41598-026-72874-4

Enhanced human posture recognition using multi-stream deep CNN with blended ensemble classification

2026-10-06

0

OA

AI

DOI：10.1038/s41598-026-72874-4

原文链接

查看原文

摘要

En 中文

人体姿态识别在过去十年中已成为一个备受关注的研究领域，对于坐姿、站姿、躺姿和行走姿态等任务具有重要价值，尤其是在老年护理和公共卫生监测方面。尽管现有的基于传感器、基于视觉和基于特征的方法已被广泛使用，但随着可负担计算能力的提升，人们越来越倾向于使用深度学习技术以提高准确性和效率。为解决这些局限性，本文提出了一种多流深度CNN集成框架，用于可靠的人体姿态识别。该方法在设计中具有创新性，整合了来自多个预训练CNN骨干网络的多流特征聚合、集成学习前的PCA降维以及结合互补基分类器的异构混合框架。这联合优化了特征多样性和决策鲁棒性，在多个基准姿态识别数据集上取得了与预训练CNN基线和本研究中评估的集成变体相比具有竞争力甚至更优的准确率。该方法在五个公开数据集（KARD、MCF、NUCLA、URFD和UP Fall）上与多种深度学习和集成技术进行了比较。在大多数评估数据集和指标中，该方法在精确度、准确率和召回率上达到了或超过了对比方法，仅在两个例外（NUCLA和UP Fall Front）中，单个分类器在单一指标上略有更高的准确率，而所提出的方法实现了更平衡的精确度、召回率和F1-Score。结果表明了模型的有效性和效率，突显了其在姿态识别实际应用中的潜力。值得注意的是，该方法最高准确率达到98.51%，通过PCA将组合特征维度降低了93.75%，与在相同硬件上测量的独立ResNet-101基线相比，推理延迟降低了10.7%（见“环境”部分和表12）。其改进的性能以及降低的计算需求使其成为远程监测老年人以帮助降低健康风险和支持医疗获取等敏感用例的有希望的选择。鉴于其相对于本研究中评估的独立CNN基线具有更低的特征维度和更低的推理延迟，该框架也可能是探索在便携式和边缘计算设备上部署的合理起点，尽管这尚未直接在相关硬件上进行基准测试。

Enhanced human posture recognition using multi-stream deep CNN with blended ensemble classification

摘要

AI总结

期刊

机构

引用论文