Published January 1, 2020
| Version v1
Publication
Open
Sensor-Based Human Activity Recognition Using Deep Stacked Multilayered Perceptron Model
Creators
- 1. Khwaja Fareed University of Engineering and Information Technology
- 2. Taibah University
- 3. Yeungnam University
- 4. Islamia University of Bahawalpur
Description
The recent development of machines exhibiting intelligent characteristics involves numerous techniques including computer hardware and software architecture development.Many different hardware devices, wearable sensors, machine learning, and deep learning model implementations are being applied in human activity recognition (HAR) applications in recent times.However, to develop high accuracy classification systems for activity recognition using low-cost hardware technology is of significant importance.To achieve this goal this study uses sensor data from two low-cost sensors, gyroscope and accelerometer along with the implementation of an Artificial Neural Network (ANN) based deep learning model for HAR.In particular, Deep Stacked Multilayered Perceptron (DS-MLP) has been proposed.In the implementation of DS-MLP, an ANN model has been used as a meta-learner while five MLP models have been used as base-learners.In this study, these base-learners and meta-learner have been combined using a stack ensemble technique.The performance evaluations have been done first on the applicability of individual base-models followed by the application of DS-MLP, the results prove the high accuracy of 97.3% and 99.4% for heterogeneous datasets used for testing.The performance of the proposed DS-MLP models has been compared to some existing machine learning classifiers and several state-of-the-art activity recognition systems.The comparative result analysis also proves that the proposed system performed better than these classification approaches in terms of important performance metrics such as accuracy, precision, recall, F-score, Cohen's Kappa, and Mathew correlation coefficient.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
يتضمن التطوير الأخير للآلات التي تتميز بخصائص ذكية العديد من التقنيات بما في ذلك تطوير أجهزة الكمبيوتر وهندسة البرمجيات. يتم تطبيق العديد من الأجهزة المختلفة وأجهزة الاستشعار القابلة للارتداء والتعلم الآلي وتطبيقات نموذج التعلم العميق في تطبيقات التعرف على النشاط البشري (HAR) في الآونة الأخيرة. ومع ذلك، فإن تطوير أنظمة تصنيف عالية الدقة للتعرف على النشاط باستخدام تقنية الأجهزة منخفضة التكلفة له أهمية كبيرة. ولتحقيق هذا الهدف، تستخدم هذه الدراسة بيانات المستشعر من جهازي استشعار منخفضي التكلفة وجيروسكوب ومقياس التسارع إلى جانب تنفيذ شبكة عصبية اصطناعية (ANN) نموذج التعلم العميق القائم على HAR. على وجه الخصوص، تم اقتراح Perceptron متعدد الطبقات مكدسة عميقة (DS - MLP). في تنفيذ DS - MLP، تم استخدام نموذج ANN كمتعلم تلوي بينما تم استخدام خمسة نماذج MLP كمتعلمين أساسيين. في هذه الدراسة، تم الجمع بين هؤلاء المتعلمين الأساسيين والمتعلم التلوي باستخدام تقنية تجميع المكدس. تم إجراء تقييمات الأداء أولاً حول قابلية تطبيق النماذج الأساسية الفردية متبوعة بتطبيق DS - MLP، تثبت النتائج الدقة العالية بنسبة 97.3 ٪ و 99.4 ٪ لمجموعات البيانات غير المتجانسة المستخدمة للاختبار. أداء تمت مقارنة نماذج DS - MLP المقترحة ببعض مصنفات التعلم الآلي الحالية والعديد من أنظمة التعرف على النشاط الحديثة. كما يثبت تحليل النتائج المقارن أن النظام المقترح كان أداؤه أفضل من مناهج التصنيف هذه من حيث مقاييس الأداء المهمة مثل الدقة والدقة والتذكر و F - score و Cohen's Kappa ومعامل ارتباط ماثيو.Translated Description (French)
Le développement récent de machines présentant des caractéristiques intelligentes implique de nombreuses techniques, y compris le développement de matériel informatique et d'architecture logicielle. De nombreux dispositifs matériels, capteurs portables, apprentissage automatique et implémentations de modèles d'apprentissage profond sont appliqués dans des applications de reconnaissance de l'activité humaine (HAR) ces derniers temps. Cependant, développer des systèmes de classification de haute précision pour la reconnaissance de l'activité à l'aide d'une technologie matérielle à faible coût est d'une importance significative. Pour atteindre cet objectif, cette étude utilise les données des capteurs de deux capteurs à faible coût, gyroscope et accéléromètre, ainsi que la mise en œuvre d'un réseau neuronal artificiel (RNA) modèle d'apprentissage profond basé sur HAR.En particulier, Deep Stacked Multilayered Perceptron (DS-MLP) a été proposé.Dans la mise en œuvre de DS-MLP, un modèle ANN a été utilisé en tant que méta-apprenant tandis que cinq modèles MLP ont été utilisés en tant qu'apprenants de base.Dans cette étude, ces apprenants de base et ces méta-apprenants ont été combinés en utilisant une technique d'ensemble de piles.Les évaluations de performance ont d'abord été effectuées sur l'applicabilité des modèles de base individuels, suivies de l'application de DS-MLP, les résultats prouvent la grande précision de 97,3 % et 99,4 % pour les ensembles de données hétérogènes utilisés pour les tests.La performance des les modèles DS-MLP proposés ont été comparés à certains classificateurs d'apprentissage automatique existants et à plusieurs systèmes de reconnaissance d'activité de pointe. L'analyse comparative des résultats prouve également que le système proposé a mieux fonctionné que ces approches de classification en termes de mesures de performance importantes telles que la précision, la précision, le rappel, le score F, le Kappa de Cohen et le coefficient de corrélation de Mathew.Translated Description (Spanish)
El reciente desarrollo de máquinas que exhiben características inteligentes implica numerosas técnicas que incluyen hardware informático y desarrollo de arquitectura de software. En los últimos tiempos se están aplicando muchos dispositivos de hardware diferentes, sensores portátiles, aprendizaje automático e implementaciones de modelos de aprendizaje profundo en aplicaciones de reconocimiento de actividades humanas (HAR). Sin embargo, desarrollar sistemas de clasificación de alta precisión para el reconocimiento de actividades utilizando tecnología de hardware de bajo costo es de gran importancia. Para lograr este objetivo, este estudio utiliza datos de sensores de dos sensores de bajo costo, giroscopio y acelerómetro junto con la implementación de una red neuronal artificial (ANN) modelo de aprendizaje profundo basado en HAR. En particular, se ha propuesto Deep Stacked Multilayered Perceptron (DS-MLP). En la implementación de DS-MLP, se ha utilizado un modelo ANN como meta-learner mientras que se han utilizado cinco modelos MLP como base-learners. En este estudio, estos base-learners y meta-learner se han combinado utilizando una técnica de stack ensemble. Las evaluaciones de rendimiento se han realizado primero sobre la aplicabilidad de modelos base individuales seguidos de la aplicación de DS-MLP, los resultados demuestran la alta precisión del 97.3% y 99.4% para conjuntos de datos heterogéneos utilizados para pruebas. El rendimiento de los modelos DS-MLP propuestos se han comparado con algunos clasificadores de aprendizaje automático existentes y varios sistemas de reconocimiento de actividades de última generación. El análisis de resultados comparativos también demuestra que el sistema propuesto funcionó mejor que estos enfoques de clasificación en términos de métricas de rendimiento importantes, como precisión, recordación, puntaje F, coeficiente de correlación Kappa y Mathew de Cohen.Files
09277886.pdf.pdf
Files
(245 Bytes)
| Name | Size | Download all |
|---|---|---|
|
md5:4fc8fe08ad7b7a85a9c9c9af56364c40
|
245 Bytes | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- التعرف على النشاط البشري القائم على أجهزة الاستشعار باستخدام نموذج بيرسيبترون متعدد الطبقات مكدس بعمق
- Translated title (French)
- Reconnaissance de l'activité humaine basée sur des capteurs à l'aide d'un modèle perceptron multicouche empilé en profondeur
- Translated title (Spanish)
- Reconocimiento de actividad humana basado en sensores utilizando el modelo de perceptrón multicapa apilado profundo
Identifiers
- Other
- https://openalex.org/W3108751335
- DOI
- 10.1109/access.2020.3041822
References
- https://openalex.org/W1923002919
- https://openalex.org/W1964940342
- https://openalex.org/W2012557818
- https://openalex.org/W2023302299
- https://openalex.org/W2054780155
- https://openalex.org/W2056339039
- https://openalex.org/W2057907879
- https://openalex.org/W2111072639
- https://openalex.org/W2195342085
- https://openalex.org/W2206638072
- https://openalex.org/W2270470215
- https://openalex.org/W2320625002
- https://openalex.org/W2342792048
- https://openalex.org/W2550797816
- https://openalex.org/W2626046541
- https://openalex.org/W2736191430
- https://openalex.org/W2896180549
- https://openalex.org/W2907255073
- https://openalex.org/W2914937516
- https://openalex.org/W2916712302
- https://openalex.org/W2929546882
- https://openalex.org/W2943971163
- https://openalex.org/W2944132348
- https://openalex.org/W2946361138
- https://openalex.org/W2963993350
- https://openalex.org/W2964878976
- https://openalex.org/W2968129649
- https://openalex.org/W2972317743
- https://openalex.org/W2977757120
- https://openalex.org/W2988412621
- https://openalex.org/W2998467809
- https://openalex.org/W3000124649
- https://openalex.org/W3005758751
- https://openalex.org/W3038583522
- https://openalex.org/W3045004532