Core Concepts
Vorschlag von Modellen zur Vorhersage von vier Aktivitäten aus Inertialsensoren im Knöchelbereich eines unteren Beinassistenzgeräten.
Abstract
Einleitung
Menschliche Aktivitätserkennung (HAR) ist entscheidend für assistive Geräte.
Unterschiedliche Ansätze für HAR je nach Anwendungsbereich.
Fokus auf Anwendungen wie Sicherheit, Überwachung, IoT.
Mangel an Forschung zur Anpassung von tragbaren assistiven Geräten.
Modelle und Methoden
Vorschlag verschiedener Modelle zur Vorhersage von Aktivitäten.
Verwendung von künstlichen neuronalen Netzwerken.
Modelle basieren auf Deep Learning Techniken.
Datensatz und Datenverarbeitung
Verwendung von IMU-Daten am Knöchel aus dem PAMAP2-Datensatz.
Auswahl von vier Aktivitäten für die Modellierung.
Umwandlung der Daten in 3D-Merkmale für Deep Learning-Algorithmen.
Ergebnisse und Diskussion
CNN-Modell zeigt beste Leistung mit 92,8% Genauigkeit.
Unterschiedliche Modelle zeigen unterschiedliche Trainingszeiten und Leistungen.
Kombinationsmodelle zeigen gemischte Ergebnisse im Vergleich zum CNN-Modell.
Stats
Die vorgeschlagenen Modelle erreichen eine durchschnittliche Klassifizierungsgenauigkeit von bis zu 92,8%.
Quotes
"Die vorgeschlagenen Modelle basieren auf künstlichen neuronalen Netzwerken und können eine durchschnittliche Klassifizierungsgenauigkeit von bis zu 92,8% erreichen."