Deep learning algorithms for human activity recognition using mobile and wearable sensor networks: State of the art and research challenges

سیستم های تشخیص فعالیت های انسانی به عنوان بخشی از چارچوب برای نظارت مستمر رفتارهای انسانی در حوزه زندگی کمک می کند، تشخیص صدمات ورزشی، مراقبت از سالمندان، توانبخشی و سرگرمی و نظارت در محیط های هوشمند خانه ای توسعه می یابد. استخراج ویژگی های مربوطه، بخش چالش برانگیز خط لوله شناسایی فعالیت های مبتنی بر سنسورهای تلفن همراه و پوشیدنی است. استخراج ویژگی بر عملکرد الگوریتم تاثیر می گذارد و زمان و پیچیدگی محاسبات را کاهش می دهد. با این حال، تشخیص فعالیت های انسانی در حال حاضر متکی به ویژگی های دست ساز است که قادر به اداره فعالیت های پیچیده، به ویژه با جابجایی فعلی داده های سنسورهای چندجملهای و چند بعدی نیستند. با ظهور یادگیری عمیق و افزایش توانایی محاسبات، یادگیری عمیق و روش های هوش مصنوعی برای یادگیری ویژگی های اتوماتیک در زمینه های مختلف مانند سلامت، طبقه بندی تصویر و اخیرا برای استخراج ویژگی ها و طبقه بندی به رسمیت شناختن فعالیت های ساده و پیچیده انسان در تلفن همراه و حسگرهای پوشیدنی. علاوه بر این، تلفیق سنسور های متحرک و پوشیدنی و روش های یادگیری عمیق برای یادگیری ویژگی ها، فراهم می کند تنوع، تعاریف بالاتری را ارائه می دهد و مسائل چالش برانگیز در شناخت فعالیت های انسانی را حل می کند. تمرکز این بررسی این است که خلاصه های عمیق از روش های یادگیری عمیق برای شناسایی فعالیت های انسان مبتنی بر سنسور تلفن همراه و پوشیدنی ارائه شود. این بررسی روش ها، منحصر به فرد بودن، مزایا و محدودیت های آن را ارائه می دهد. ما نه تنها مطالعات را به روشهای تولیدی، تبعیض آمیز و ترکیبی تقسیم می کنیم بلکه مزایای مهم آنها را نیز برجسته می کنیم. علاوه بر این، بررسی روشهای طبقه بندی و ارزیابی را ارائه می دهد و مجموعه داده های عمومی موجود را برای تشخیص فعالیت های انسان شناسانه تلفن همراه مورد بحث قرار می دهد. در نهایت، ما برخی از چالش ها را برای باز کردن مشکلات تحقیقاتی که نیاز به تحقیق و پیشرفت بیشتری دارند توضیح می دهیم.