基于LSTMs的人类行为识别时间序列分类

最新推荐文章于 2024-09-06 22:55:58 发布
最新推荐文章于 2024-09-06 22:55:58 发布
阅读量3.5k 收藏 41
点赞数 3
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_42688011/article/details/118244383
版权
本文档探讨了使用LSTM、CNN-LSTM和ConvLSTM网络模型对智能手机数据集上的行为识别时间序列进行分类。通过深度学习方法，尤其是循环神经网络，减少了对特征构建的依赖，直接从原始数据中学习特征。实验展示了这些模型在识别行走、上下楼梯、坐下等六种行为方面的效果。
摘要由CSDN通过智能技术生成

人类行为识别是对于专用设备或者智能手机记录的人类行为数据做的分类，对于这一问题的经典方法有基于固定窗口和训练机器学习模型的特征的分类，例如决策树。困难时这一特征构建需要很强的专业技能。

近来，深度学习方法如循环神经网络如LSTMs和其一维循环神经网络（CNNs）的变种已经可以对人类行为识别问题做到很少或者没有特征构建，取而代之的是使用原始数据进行特征学习。

本文档包含三种循环神经网络对行为识别时间序列进行分类

智能手机数据集的行为识别

人类行为识别，即HAR，是使用传感器基于人的一系列动作预测这个人正在做什么。标准人类行为识别数据集是2012年的‘Activity Recognition Using Smart Phones Dataset’ 。这一数据集是Davide Anguita, et al在2013年的论文“A Public Domain Dataset for Human Activity Recognition Using Smartphones.” 

这一数据集可以在UCI机器学习仓库下载。

数据集涉及30个主体由19到48岁的进行六个标准动作之一，他们在腰部穿戴着智能手机记录动作数据。

六个动作包括以下：

1行走

2上楼梯

3下楼梯

4坐下

5站立

6躺下

记录的动作数据是智能手机的x，y和z加速器数据（线性数据）和陀螺仪，数据是50Hz记录。每一个主体执行两次，一次是左手侧的设备，一次是右手侧的设备。

原始数据不可获得但是处理之前版本数据可以获得，处理步骤包括：

*使用噪声过滤方法对加速器和陀螺仪数据处理

*将数据分成50重叠的2.56秒的固定窗口（128个数据点）。将加速器数据分成重力（total）和身体动作部分

特征构建应用于窗口数据，同时也将这一特征构建数据备份。应用于人类行为识别的大量时间和频率特征也从每个窗口提取。结果是561个元素向量特征。基于主体数据将数据集分成70%的训练集和30%的测试集。

实验结果（固定点算法）应用于支持向量机得到的模型在测试集上运行准确率为89%，与未修改SVM得到相似的结果。

1LSTM网络模型

这一节我们建立长短期记忆网络模型（LSTM），LSTM网络模型是一种

最低0.47元/天 解锁文章
枫叶将故事染色
关注
【时间序列篇】基于LSTM的序列分类-Pytorch实现 part2 自有数据集构建
ZZQ_UESTC的博客
01-24 2729
仿照 part1 文章，构建序列分类的自有数据集。
Python-利用LSTM进行多标签时间序列分类
08-11
利用LSTM进行多标签时间序列分类
Python-利用LSTM进行多标签时间序列分类：深度学习的新前沿
最新发布
gitblog_09701的博客
09-06 638
Python-利用LSTM进行多标签时间序列分类：深度学习的新前沿 Python-利用LSTM进行多标签时间序列分类.zip项目地址:https://gitcode.com/open-source-toolkit/dc15e 项目介绍 在处理时间序列数据时，捕捉时间依赖性是关键。传统的机器学习方法往往难以胜任这一任务，而深度学习模型，尤其是长短期记忆网络（LSTM），在这方面表现出色。本项目提供...
【时间序列篇】基于LSTM的序列分类-Pytorch实现 part1 案例复现
ZZQ_UESTC的博客
01-23 7662
本篇文章是对已有一篇文章的整理归纳，并对文章中提及的模型用Pytorch实现。基于LSTM的序列分类。
LSTM human activity recognition
10-20
信号数据的采集来自于嵌入在智能手机中的加速度传感器，实验选用了人类日常行为中的六类常见行为，分别为：走路、慢跑、上楼梯、下楼梯、坐、站立，数据收集后，对数据进行特征抽取，抽取后的特征使用支持向量机的分类功能对特征进行分类，最后识别出人类的六类行为。
人类活动识别---代码
qq_25368751的博客
06-20 569
人类活动识别
MATLAB中LSTM时序分类实战详解
热门推荐
qq_42995378的博客
02-15 1万+
MATLAB中LSTM时序分类实战详解 引用 1.MATLAB中外部数据读取并写入元胞数组的方法与步骤：https://blog.csdn.net/qq_42995378/article/details/87298786 2.MATLAB中LSTM时序分类的用法与实战：https://blog.csdn.net/qq_42995378/article/details/87345457 本文结合...
ActionRecognition——基于深度学习的动作识别综述
01-27
这些数据集包含了大量不同场景下的人类行为视频，为动作识别的研究提供了丰富的材料。 动作识别的核心是设计有效的深度学习网络模型。早期的动作识别多采用2D卷积神经网络（CNNs），如经典的AlexNet、VGG、GoogLe...
SST：长视频序列中人的时间行为建议生成
bernard.ghanem}@ kaust.edu.sa摘要本文提出了一种新的方法，用于在长的、未修剪的视频序列中检测人的动作。我们介绍了单流时间动作程序（SST），一个新的有效和高效的深层架构的时间动作建议的生成。我们的网络可以...
深度神经网络LSTM序列分类应用
03-01
深度神经网络LSTM处理序列分类问题的应用，LSTM——Long Short Term Memory Networks 长短期记忆神经网络。
用于3D动作识别和检测的基于空时注意力对的LSTM网络
12-18
Human action analytics has attracted a lot of attention for decades in computer vision. It is important to extract discriminative spatio-temporal features to model the spatial and temporal evolutions of different actions. In this paper, we propose a spatial and temporal attention model to explore the spatial and temporal discriminative features for human action recognition and detection from skeleton data. We build our networks based on the recurrent neural networks with long shortterm memory units. The learned model is capable of selectively focusing on discriminative joints of skeletons within each input frame and paying different levels of attention to the outputs of different frames. To ensure effective training of the network for action recognition, we propose a regularized cross-entropy loss to drive the learning process and develop a joint training strategy accordingly. Moreover, based on temporal attention, we develop a method to generate the action temporal proposals for action detection. We evaluate the proposed method on the SBU Kinect Interaction data set, the NTU RGB + D data set, and the PKU-MMD data set, respectively. Experiment results demonstrate the effectiveness of our proposed model on both action recognition and action detection.
行为识别相关文献阅读
rca_finforc的博客
11-19 2511
行为识别 任务 预测某个时间间隔上的行为。 视频分类：预测整个视频的行为。 图像分类器。 难点 严重依赖物体和场景。数据集带来的问题：骑马和跑步可以用有没有马来区分；遛狗和化学可以用背景区分。这也就导致了真正对动作去区分这么一个功能没做到。 光流的问题：长度和语义。光流的帧数少难以描述长时间的动作。本身意义不明显，论文On the Integration of Optical Flow and Action Recognition提出了一个观点光流可能只是掩盖了外观信息。 CNN擅长捕获物体和场景信息
人体行为识别：Quo Vadis, Action Recognition? A New Model and the Kinetics Dataset
huangyiping12345的博客
06-23 1564
参考文献：https://arxiv.org/abs/1705.07750 pytorch代码实现：https://github.com/MRzzm/action-recognition-models-pytorch Quo Vadis, Action Recognition? A New Model and the Kinetics Dataset 摘要 由于目前动作分类数据集（UCF-101和HMDB-51）中视频的缺乏，大多数方法在小规模数据集基础上的性能相似，很难得到识别效果好的网络结构，本文根据最
序列分类--基于LSTM
Sarah ~
04-22 5023
序列分类 参考《21个项目玩转深度学习》 from __future__ import print_function import tensorflow as tf import random import numpy as np # ==================== # TOY DATA GENERATOR # ==================== #这个类用于产生序列样本 c...
【37】使用LSTM实现文本分类、图像分类、图像生成任务
Clichong
05-12 1万+
如有错误，恳请指出。 在上一篇文章中，使用了LSTM来预测时序信息，但是在自然语言处理领域中，LSTM可以用来进行文本预测，大体上的思路是将batch个文本，每个文本的seq个词汇编码为hidden dim长度的特征向量，所以最后的特征维度是[seq, batch, hidden dim]，就可以作为输入数据。提取LSTM最后的一个隐藏单元[batch, hidden dim]，再使用一个全连接层就可以实现分类。 而对于图像来说，其信息维度都很熟悉了，[batch, c, h, w]，那么其实也可以是将.
03 用于时间序列分类的堆叠 LSTM
m0_49773334的博客
07-12 1015
我们现在将使用 Quandl 股票价格数据通过堆叠两个 LSTM 层来构建一个更深的模型。 此外，我们将用到本质上不是连续的特征，即用于识别实体和月份的指标变量。 导入各类包 import warnings warnings.filterwarnings('ignore') %matplotlib inline from pathlib import Path import numpy as np import pandas as pd from scipy.stats import s...
【TensorFlow】 基于LSTM的行为识别
秋天
12-16 5441
简介 本文基于LSTM来完成用户行为识别。数据集来源：https://archive.ics.uci.edu/ml/machine-learning-databases/00240/ 此数据集一共有6种行为状态： 行走； 站立； 躺下； 坐下； 上楼； 下楼； 以上6种行为数据是通过传感器进行采集的。 .\data\UCI HAR Dataset\train\Inertial S...
6 种 LSTM 时序模型结构
kk_land的博客
04-21 3507
根据问题的输入输出模式划分，6种时间序列问题所对应的 LSTM 模型结构如何实现。 文章目录1.1 Univariate1.2 Multiple Input1.3 Multiple Parallel1.4 Multi-Step1.5 Multivariate Multi-Step1.6 Multiple Parallel Input & Multi-Step Output focus 输...
评论 9
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值