Методы машинного обучения для распознавания человеческой активности с использованием датчиков окружающей среды
Автор: Трошин А.В.
Журнал: Инфокоммуникационные технологии @ikt-psuti
Рубрика: Технологии цифровой экономики
Статья в выпуске: 1 т.19, 2021 года.
Бесплатный доступ
Распознавание человеческой активности представляет собой быстро развивающуюся область исследований, целью которой является определение типа поведения людей на основе собираемых данных. Системы распознавания человеческой активности находят широкое применение в медицине, спорте, производстве и многих других сферах. Данные для систем распознавания могут быть получены при помощи видеонаблюдения, а также с использованием различного рода датчиков. Датчики окружающей среды обладают рядом преимуществ: простота, дешевизна и широкое применение в системах «умного дома». Для обработки данных в системах распознавания часто используются методы машинного обучения. Данная статья посвящена приложению различных методов машинного обучения к распознаванию человеческой активности на основе данных, полученных с датчиков окружающей среды «умного дома».
Методы машинного обучения, распознавание человеческой активности, датчики окружающей среды
Короткий адрес: https://sciup.org/140256292
IDR: 140256292 | DOI: 10.18469/ikt.2021.19.1.12
Список литературы Методы машинного обучения для распознавания человеческой активности с использованием датчиков окружающей среды
- Deep learning for sensor-based human activity recognition: Overview, challenges and opportunities / K. Chen [еt аl.]. URL: https://arxiv.org/abs/2001.07416 (дата обращения: 01.10.2020).
- Deep learning for sensor-based activity recognition: A survey / J. Wang [еt аl.] // Pattern Recognition Letters. 2019. Vol. 119. P. 3–11. DOI: https://doi.org/10.1016/j.patrec.2018.02.010
- Hussain Z., Sheng M., Zhang W.E. Different approaches for human activity recognition: A survey. URL: https://arxiv.org/abs/1906.05074 (дата обращения: 01.10.2020).
- Marsland S. Machine Learning: An Algorithmic Perspective; 2nd ed. Boca Raton: CRC Press, 2015. 430 р.
- Goodfellow I., Bengio Y., Courville A. Deep Learning. Cambridge: MIT Press, 2016. 800 р.
- Kuhn M., Johnson K. Applied Predictive Modeling.Berlin: Springer, 2013. 600 p.
- Трошин А.В. Машинное обучение для прогнозирования трафика в сети LTE // Инфокоммуникационные технологии. 2019. Т. 14, № 4. С. 400–406.
- Human activity recognition from continuous ambient sensor data set. URL: https://archive.ics.uci.edu/ml/datasets/Human+Activity+Recognition+from+Continuous+Ambient+Sensor+Data (дата обращения: 01.10.2020).
- Scikit-learn. URL: https://www.scikit-learn.org (дата обращения: 01.10.2020).
- TensorFlow. URL: https://www.tensorflow.org (дата обращения: 01.10.2020).
- Troshin A. Human activity recognition with ambient sensors. URL: https://github.com/avtroshin77/har_ambient_sensors (дата обращения: 04.10.2020).
