.png){kind=icon}
返回
Smartphone-based context-aware system for human activity recognition: dynamic and static methods
.png){kind=icon}
PRE
AI
DOI：10.1007/s11042-025-21053-0.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于智能手机的人类活动识别（HAR）在医疗保健、安全和监控等多个领域日益受到重视。这些系统利用智能手机的传感器数据，并结合上下文信息（例如位置、时间），以准确识别活动。然而，现有的HAR方法通常依赖全部可用的传感器和上下文数据，即使是简单的活动，也会导致不必要的计算成本和资源消耗。在此背景下，本文提出了两种基于机器学习的上下文感知HAR新方法：一种用于HAR的静态上下文感知系统（SCSHAR）和一种用于HAR的动态上下文感知系统（DCSHAR）。虽然SCSHAR同时使用所有可用的传感器和上下文信息进行识别，但DCSHAR动态选择仅必要的传感器和上下文信息子集，在保证准确性的前提下降低资源消耗。所提出的方法在三个公开数据集DOMINO、ExtraSensory和RealWorld上进行了评估，并与当前最先进的方法进行了比较。结果表明，SCSHAR的性能略优于竞争方法，而DCSHAR尽管使用的信息较少，在大多数情况下仍能达到与SCSHAR相当甚至更优的性能，证明了其效率。例如，DCSHAR在ExtraSensory、DOMINO和RealWorld数据集上的准确率分别为91%、97%和99%，相应的宏F1分数为75%、96%和98%。此外，DCSHAR相比静态方法减少了执行时间，使其适用于实时应用。
Keyword:
Context-awareness
Dynamic system
Human activity recognition
Sensors
Smartphones
期刊
IF:
3
论文数:
2.0W
被引数:
3.2W
机构
引用论文
Daily Living Activity Recognition In-The-Wild: Modeling and Inferring Activity-Aware Human Contexts.png)
Electronics
OAAI
ElectronicsIF0
OAAI分享收藏分享收藏C2FHAR: Coarse-to-Fine Human Activity Recognition With Behavioral Context Modeling Using Smart Inertial SensorsIEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏Active Deep Learning for Activity Recognition with Context Aware Annotator SelectionProceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningOAAI
Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningIF0
OAAI分享收藏
查看更多内容