sucesso em cenários de reconhecimento de atividade humana (HAR) em computação ubíqua e computação wearable. ● Capacidades superiores de classificação; ● Não necessita de definição manual dos dados; Problema
Embora abordagens baseadas em DL superem o
estado da arte em várias tarefas de reconhecimento, ainda existem alguns problemas a serem enfrentados: ● Datasets de dados da vida real; ● Muitos ruídos; ● Dados ambíguos; ● Dados desbalanceados; ● Problemas de qualidade dos dados; Hipótese
● O uso de Conjuntos de Redes Neurais LSTM
(Long Short Term Memory); + ● Desenvolvimento de procedimentos de treinamento modificados para redes LSTM; + ● Combinação de diversos Conjuntos de Redes Neurais LSTM em Classificadores Coletivos; = Resultados muito melhores de reconhecimento de HAR do que o uso de Redes Neurais Individuais. LSTM???
Um tipo especial de Rede Neural
Recorrente capaz de aprender dependências de longo prazo. A camada sigmóide produz números entre zero e um, descrevendo quanto de cada componente deve ser liberado. Um valor de zero significa "não deixe O LSTM tem a capacidade de remover ou nada passar", adicionar informações ao estado da enquanto um valor de um significa célula, cuidadosamente reguladas por "deixe tudo estruturas chamadas portas. passar!" Treinamento Modificado???
O método pressupõe que uma certa porcentagem de
dados do sensor é "problemática" e, portanto, utiliza apenas um subconjunto dos dados em uma iteração de treinamento. O método de determinação de subconjuntos emprega uma abordagem de seleção probabilística, que efetivamente se assemelha ao conceito geral de ensacamento (Bagging). Treinamento Modificado???
A ideia geral dos Conjuntos de Classificadores é criar
coletivos de redes neurais individuais que são treinadas em diferentes visões dos dados da amostra. Através da introdução da variação, as redes individuais focam em diferentes aspectos de um domínio do problema, o que, em combinação, leva a reconhecimentos mais robustos. Combinar diversos Conjuntos de Redes Neurais??? O trabalho é o primeiro a utilizar conjuntos de redes neurais para formar Classificadores Coletivos em vez de usar somente redes neurais individuais. Avaliação do Modelo
Para avaliar o modelo foram utilizados três conjuntos de
dados de benchmark padrão: ● Opportunity (Chavarriaga et al. 2013) ○ Atividades domésticas ● PAMAP2 (Reiss e Stricker 2012) ○ Atividades domésticas e exercícios físicos ● Skoda (Stiefmeier et al. 2008) ○ Linha de montagem de automóveis
Os resultados superaram o estado da arte e portanto
indicam uma maior robustez do uso de Conjuntos de Redes Neurais LSTM no reconhecimento de atividades humanas em cenários de computação ubíqua e computação wearable. Resultados
● O uso de Conjuntos de Redes Neurais LSTM
superam as redes individuais LSTM; ● Contribuição significativa para o estado da arte no reconhecimento de atividades humanas usando wearables. Desafios Futuros
● Implementar tais algoritmos otimizados em
dispositivos wearables para cenários de reconhecimento de atividades humanas. ● Como o modelo trabalha com base na previsão de amostra, torna-se uma vantagem para aplicações de tempo real como em detecção de quedas. Obrigado!