.png){kind=icon}
返回
Toward Real-Time Posture Classification: Reality Check
.png){kind=icon}
OA
AI
DOI：10.3390/electronics14091876.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
跌倒预防一直是伤害预防领域的核心议题。研究表明，实时姿态监测及随后的跌倒预防对于预防跌倒相关伤害具有重要意义。在本研究中，我们通过比较经典机器学习分类器与深度机器学习分类器在姿态分类方面的准确性和鲁棒性，确定了一种实时姿态分类器。为此，采用了多种经典分类器，包括经典机器学习、支持向量机（SVM）、随机森林、神经网络和Adaboost方法。同时，使用深度学习方法，包括LSTM和Transformer进行姿态分类。在实验中，通过RGBD相机获取关节数据。结果表明，经典机器学习姿态分类器的准确率在75%至99%之间，表明仅使用经典机器学习分类即可满足实时姿态分类需求，即使存在缺失关节或添加噪声。深度学习方法LSTM在姿态分类方面也表现出高精度，但其带来了显著的计算开销成本，从而影响了实时姿态分类的性能。因此，本研究表明经典机器学习方法值得我们关注，至少应考虑其复用或重新设计，特别是在实时姿态分类任务中。此外，本研究还揭示了使用经典姿态分类器进行大规模人体姿态分类的见解。
Keyword:
machine learning
posture classification
deep learning
RGBD camera
期刊
IF:
2.6
论文数:
1.0W
被引数:
4.7W
机构
引用论文
WideHRNet: An Efficient Model for Human Pose Estimation Using Wide Channels in Lightweight High-Resolution NetworkWideHRNet: 轻量级高分辨率网络中使用宽通道进行人体姿态估计的有效模型.png)
IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏Learning 3D spatiotemporal gait feature by convolutional network for person identificationNEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏分享收藏Exploring Trends and Clusters in Human Posture Recognition Research: An Analysis Using CiteSpaceSENSORS
OAAI
SENSORSIF3.5
OAAI分享收藏
查看更多内容