文献

J-GLOBAL ID：201602212128909189   整理番号：16A0203163

多モードのウェアラブル活量認識用の深い畳込みのLSTMリカレント神経回路網

Deep Convolutional and LSTM Recurrent Neural Networks for Multimodal Wearable Activity Recognition

著者 (2件)： ORDONEZ Francisco Javier (Univ. Sussex, Brighton, GBR) ,  ROGGEN Daniel (Univ. Sussex, Brighton, GBR)
資料名： Sensors (Web)  (Sensors (Web))
巻： 16  号： 1  ページ： WEB ONLY  発行年： 2016年01月 
JST資料番号： U7015A  ISSN： 1424-8220  CODEN： SENSC9  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 人間活動認識(HAR)処理は,発見的過程によって得られた工学的特質を使って伝統的に解明されてきた。最近の研究は,生のセンサ入力から特質抽出を自動化するのに,深い畳込み神経回路網が適していることを示している。しかし,人間活動は動力装置の動きの複雑な順序でできており,この時間的な動特性を捕捉することはHARを上手く行うための基本である。時系列領域に関するリカレント神経回路網の最近の研究をベースにして,畳込み及びLSTMリカレントユニットをベースにして,包括的な深いフレームワークを提案した。このフレームワークは,(i)多モードのウェアラブルセンサに適応している。(ii)自然にセンサ結合ができる。(iii)機構設計にスペシャリストの知識を必要としない。(iv)機構活性化の時間的動特性を陽表的にモデルにする。著者等のフレームワークを,2つのデータセットについて評価し,その1つを公共の活動認識課題に使った。結果は,著者等のフレームワークが,競合する深い非リカレント回路網に課題のデータセットについて平均で4%優れており,先に報告されている幾つかのものに対しては9%優れていた。結果は,このフレームワークが均質なセンサモダリティに適用可能であるが,性能改良のために多モードセンサに結合できることを示した。それらの最適化に関する洞察を提供するために,性能に関する重要なアーキテクチャのハイパーパラメータの影響をキャラクタライズした。(翻訳著者抄録)

シソーラス用語： *多モード ,  計算機利用システム ,  *センサ ,  活量 ,  認識 ,  *神経回路網 ,  畳込み ,  ウェアラブルシステム ,  *ウェアラブルセンサ ,  人間活動 ,  *リカレントニューラルネットワーク
準シソーラス用語： *リカレント神経回路網

分類 (1件)： 生体計測  (EL03020C)

タイトルに関連する用語 (5件)： 多モード ,  ウェアラブル ,  活量 ,  畳込み ,  リカレント神経回路網