Adaptives Merkmalsverarbeitung für robuste Aktivitätserkennung auf einem neuen multimodalen Datensatz

Die Erkennung menschlicher Aktivitäten (HAR) ist ein wesentlicher Baustein vieler neuer Anwendungen wie intelligenter Mobilität, Sportanalyse, umweltgestütztem Living und Mensch-Roboter-Interaktion. Mit robuster HAR werden Systeme bewusster auf Menschen reagieren, was zu viel sichereren und emphatischeren autonomen Systemen führt. Obwohl die Erkennung der menschlichen Haltung mit dem Aufkommen tiefer konvolutiver Neuronaler Netze (CNNs) erhebliche Fortschritte gemacht hat, hat sich die neueste Forschung fast ausschließlich auf eine einzelne Sensormodalität konzentriert, insbesondere Video. In sicherheitskritischen Anwendungen ist es jedoch unerlässlich, mehrere Sensormodalitäten für eine robuste Betriebsweise zu nutzen. Um die Vorteile modernster maschineller Lernverfahren für HAR auszunutzen, ist es äußerst wichtig, multimodale Datensätze zur Verfügung zu haben. In dieser Arbeit stellen wir einen neuen, multimodalen Sensordatensatz vor, der neun Indoor-Aktivitäten abdeckt, die von 16 Teilnehmern durchgeführt und mit vier Arten von Sensoren erfasst wurden, die in Indoor-Anwendungen und autonomen Fahrzeugen häufig verwendet werden. Dieser multimodale Datensatz ist der erste seiner Art, der offen zugänglich gemacht wird und kann für viele Anwendungen genutzt werden, die HAR erfordern, einschließlich Sportanalyse, Gesundheitsassistenz und intelligenter Indoor-Mobilität. Wir schlagen einen neuen Datenvorverarbeitungsalgorithmus vor, um adaptive Merkmalsextraktion aus dem Datensatz zu ermöglichen, sodass verschiedene maschinelle Lernalgorithmen damit arbeiten können. Durch streng durchgeführte experimentelle Evaluierungen untersucht diese Arbeit die Leistungsfähigkeit maschineller Lernalgorithmen bei der Haltungs erkennung und analysiert die Robustheit der Algorithmen. Bei der Durchführung von HAR mit den RGB-Tiefendaten unseres neuen Datensatzes erreichten maschinelle Lernalgorithmen wie tiefes neuronales Netz eine mittlere Klassifikationsgenauigkeit von bis zu 96,8 % für alle stationären und dynamischen Aktivitäten.请注意，我已将“法语”更正为“德语”，以符合您的翻译需求。希望这段翻译能满足您的要求。如有任何疑问或需要进一步调整的地方，请随时告知。