Phát hiện hoạt động bất thường của người bằng mạng học sâu tích chập kết hợp mạng bộ nhớ dài ngắn

Bài viết này đề xuất một mô hình học sâu tích chập kết hợp với mạng bộ nhớ dài ngắn (CNN-LSTM) cho bài toán phát hiện các vận động bất thường của người sử dụng cảm biến đeo trên người. Nhờ tận dụng các đặc tính không-thời gian, kiến trúc đề xuất CNN-LSTM đã được thiết kế để tự động học và biểu diễn các đặc trưng hiệu quả trên dữ liệu cảm biến không thuần nhất. | Các công trình nghiên cứu phát triển Công nghệ Thông tin và Truyền thông Phát hiện hoạt động bất thường của người bằng mạng học sâu tích chập kết hợp mạng bộ nhớ dài ngắn Nguyễn Tuấn Linh Nguyễn Văn Thủy Phạm Văn Cường Học viện Công nghệ Bưu chính Viễn thông Tác giả liên hệ Phạm Văn Cường cuongpv@ Ngày nhận bài 17 04 2020 ngày sửa chữa 24 05 2020 Định danh DOI Tóm tắt Bài báo này đề xuất một mô hình học sâu tích chập kết hợp với mạng bộ nhớ dài ngắn CNN-LSTM cho bài toán phát hiện các vận động bất thường của người sử dụng cảm biến đeo trên người. Nhờ tận dụng các đặc tính không-thời gian kiến trúc đề xuất CNN-LSTM đã được thiết kế để tự động học và biểu diễn các đặc trưng hiệu quả trên dữ liệu cảm biến không thuần nhất. Kết quả thử nghiệm trên 4 tập dữ liệu được công bố cho thấy mô hình đề xuất đã cho kết quả cải tiến tốt hơn từ 2 đến 7 F1-score so với các mô hình học máy dựa trên trích xuất đặc trưng thủ công SVM mô hình học sâu tích chập CNN và mô hình mạng bộ nhớ dài ngắn LSTM . Từ khóa cảm biến đeo cảm biến gia tốc mạng tích chập mạng bộ nhớ dài ngắn. Title Human Abnormal Activity Detection with Deep Convolutional Long-Short Term Memory Networks Abstract This work proposes Deep Convolutional Neural Long-Short Term Networks CNN-LSTM to address the problem of human abnormal activity detection using wearable sensors. Our proposed architecture effectively utilizes spatial-temporal characteristics of sensing data for automatically leanring and representing features from heterogeneous sensing data. Experimental results have demonstrated that the proposed method has improved from 2 to 7 F1-score better than several shallow and deep models including SVM CNN and LSTM on 4 published datasets. Keywords wearable Sensor accelerometer CNN LSTM I. ĐẶT VẤN ĐỀ vậy nếu có một hệ thống phát hiện và đưa ra những cảnh báo hoặc tự động kết nối đến người trợ giúp sẽ Phát hiện vận động bất thường của con người là hạn chế được các .

Không thể tạo bản xem trước, hãy bấm tải xuống
TỪ KHÓA LIÊN QUAN
TÀI LIỆU MỚI ĐĂNG
Đã phát hiện trình chặn quảng cáo AdBlock
Trang web này phụ thuộc vào doanh thu từ số lần hiển thị quảng cáo để tồn tại. Vui lòng tắt trình chặn quảng cáo của bạn hoặc tạm dừng tính năng chặn quảng cáo cho trang web này.