.png){kind=icon}
返回
Light-PTNet: A lightweight parallel temporal network for smartphone-based human motion classification
.png){kind=icon}
PRE
AI
DOI：10.1371/journal.pone.0331135.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来智能手机基于的人类活动识别（HAR）的日益普及，是由其低计算需求及用户隐私保护特性所驱动的。然而，开发可靠的智能手机HAR仍面临若干挑战。例如，基于手工特征的方法高度依赖于繁重的特征工程/选择技术，需要人工干预。采用传统卷积神经网络（CNN）可能导致时间序列分类性能不佳，因为它们无法有效提取时序依赖特征。尽管循环模型擅长提取时序信息，但为达到高性能需要大量计算资源，限制了其实时应用的实用性。因此，我们提出一种轻量级智能手机HAR架构，即轻量级并行时序网络（Light-PTNet），用于可靠分类。Light-PTNet包含并行组织的轻量时空头（LSTC Heads），用于捕捉惯性信号各尺度下的潜在模式。这些头利用扩张和残差连接来保持长期依赖关系，而无需增加模型参数。本研究遵循用户无关协议，在开放获取的HAR数据集（UCI HAR、WISDM V1和UniMiB SHAR）上评估所提Light-PTNet的性能。结果表明，所提Light-PTNet在UCI HAR上达到98.03%的准确率，在UniMiB SHAR上为81.58%，在WISDM V1上为97.02%，且模型参数更少（低于100万参数）。
Keyword:
HUMAN ACTIVITY RECOGNITION
CONVOLUTIONAL NEURAL-NETWORKS
期刊
IF:
2.6
论文数:
2.6W
被引数:
81.6W
机构
暂无机构信息
引用论文
Block-Wise Training Residual Networks on Multi-Channel Time Series for Human Activity Recognition.png)
IEEE SENSORS JOURNAL
IEEE SENSORS JOURNALIF4.5
PREAI
分享收藏The Layer-Wise Training Convolutional Neural Networks Using Local Loss for Sensor-Based Human Activity RecognitionIEEE SENSORS JOURNAL
IEEE SENSORS JOURNALIF4.5
PREAI
分享收藏Layer-Wise Training Convolutional Neural Networks With Smaller Filters for Human Activity Recognition Using Wearable SensorsIEEE SENSORS JOURNAL
OAAI
IEEE SENSORS JOURNALIF4.5
OAAI分享收藏分享收藏Real-Time Physical Activity Recognition on Smart Mobile Devices Using Convolutional Neural NetworksOAAI
OAAI分享收藏
查看更多内容