تشخیص فعالیت های انسانی با رویکرد ترکیبی یادگیری انتقالی و انتخاب ویژگی بهینه در شبکه های حسگر پوشیدنی

تشخیص فعالیت های انسانی یکی از حوزه های پژوهشی مهم در علوم کامپیوتر و مهندسی پزشکی است که به شناسایی خودکار رفتارهای حرکتی افراد با استفاده از داده های حسگرهای پوشیدنی می پردازد. این فناوری کاربردهای گسترده ای در پایش سلامت از راه دور، مراقبت از سالمندان، سیستم های توانبخشی و اینترنت اشیا دارد. با این حال، چالش های متعددی نظیر حجم بالای داده ها، وجود ویژگی های زائد و افزونه، زمان بر بودن مهندسی ویژگی دستی و نبود یک مدل عمومی برای دیتاست های مختلف، عملکرد روش های سنتی را با محدودیت مواجه ساخته است. در این مقاله، یک چارچوب ترکیبی کارآمد برای تشخیص فعالیت های انسانی ارائه شده است که از سه مرحله اصلی تشکیل می شود. در مرحله نخست، داده های خام شتاب سنج و ژیروسکوپ به تصاویر اسپکتروگرام تبدیل می شوند تا امکان بهره گیری از شبکه های عصبی کانولوشنی پیش آموزش دیده فراهم گردد. در مرحله دوم، با استفاده از دو مدل یادگیری انتقالی کارآمد یعنی Efficientnet_b۰ و Mobilenet_v۳_Large، ویژگی های عمیق از تصاویر اسپکتروگرام استخراج شده و سپس بردار ویژگی حاصل از هر دو مدل با یکدیگر ادغام می گردد. در مرحله سوم، یک الگوریتم بهینه سازی خفاش دودویی به عنوان روشی کارآمد در انتخاب ویژگی های برتر به کار گرفته شده و سپس با استفاده از طبقه بند K نزدیک ترین همسایه ، فعالیت های انسانی دسته بندی می شوند. ارزیابی روش پیشنهادی بر روی دو مجموعه داده استاندارد HARTH و KU HAR انجام شده است. نتایج تجربی نشان می دهد که روش پیشنهادی به ترتیب به دقت ۸۸.۸۹ درصد و ۹۷.۹۷ درصد در دو دیتاست مذکور دست یافته است. همچنین الگوریتم انتخاب ویژگی ارائه شده توانسته است تعداد ویژگی ها را به طور میانگین حدود ۵۰ درصد کاهش داده و در عین حال دقت طبقه بندی را تا ۲۱ درصد بهبود بخشد. مقایسه عملکرد روش پیشنهادی با پنج الگوریتم بهینه سازی فراابتکاری متداول و نیز روش های پیشین در ادبیات موضوع، نشان دهنده برتری روش ارائه شده از نظر دقت، صحت ، بازیابی و امتیازF۱ می باشد. آزمون آماری مک نمار نیز معناداری آماری نتایج را در سطح اطمینان ۹۵ درصد تایید کرده است. این چارچوب با کاهش چشمگیر ابعاد ویژگی و بهبود قابل توجه دقت، گامی موثر در جهت توسعه سیستم های تشخیص فعالیت هوشمند و مقیاس پذیر در شبکه های حسگر پوشیدنی محسوب می شود.

کلیدواژه ها:

تشخیص فعالیت انسانی ، یادگیری انتقالی ، انتخاب ویژگی ، الگوریتم بهینه سازی خفاش دودویی ، اسپکتروگرام.