Deep Learning for Human Activity Recognition Based on Causality Feature Extraction(IEEE Access, 2021.09)

 https://ieeexplore.ieee.org/document/9509017

Deep Learning for Human Activity Recognition Based on Causality Feature Extraction

 

 

특징 추출에서는 센서 데이터로부터 퍼지 특징과 인과성 특징을 추출하고, 이 두 특징을 하나로 변환하기 위해 특징 융합을 수행합니다. 

인과관계 특징 추출에서는 드물게 기록된 센서 활성화 데이터를 1초의 균일한 시계열로 복원하고, 복원된 데이터를 이용하여 센서 간의 인과관계 영향력을 계산하여 인과관계 특징행렬을 구성한다. 

퍼지 특징 추출에서는 다중 소속 함수로 구성된 FTW를 적용하여 장기간 선행 데이터에 대한 퍼지 특징 행렬을 계산합니다.

 

Last-fired data: 마지막으로 구현된 센서. 마지막으로 상태가 변경된 센서는 “ON” 상태를 유지하며, 다른 센서의 상태가 변경되면 “OFF”로 변경됩니다. 마지막으로 실행된 데이터는 정리된 데이터에서 변환

Reconstructed data: 이 데이터는 각 센서의 "ON" 또는 "OFF" 상태를 1초 단위로 재구성하고 불규칙한 센서 이벤트 대신 균일하게 샘플링된 시계열로 변환한 것을 나타냅니다. 재구성된 데이터는 정리된 데이터에서 변환

 

인과관계 특성 매트릭스

: 다양한 센서가 설치된 환경에서 인과관계란 미리 정의된 시간 간격(예: 60초) 동안 주민의 고유한 활동 패턴을 표현하기 위해 원인과 결과 정보를 추출하는 과정.

 

AR에서는 LSTM, 2D-CNN을 기반으로 설계된 심층 신경망 모델과 LSTM과 2D-CNN의 조합으로 구성된 하이브리드 모델을 융합 특성으로 훈련하여 특성의 종속성을 효과적으로 학습