Ausnutzung der LDA-Featureextraktion zur Verbesserung der Genauigkeit der menschlichen Aktivitätserkennung

Diese Forschung stellt einen hybriden Ansatz zur Merkmalsextraktion vor, der die Methoden der Linearen Diskriminanzanalyse (LDA) und des Multilayer Perceptrons (MLP) kombiniert, um die Herausforderungen der Reduktion der Dimension des Merkmalsvektors und der genauen Klassifizierung von menschlichen Aktivitäten über Smartphones zu bewältigen. Darüber hinaus wird zur Verbesserung der Genauigkeit der Aktivitätsklassifizierung eine Optimierung des Support Vector Machine (SVM)-Modells mittels Stochastischem Gradientenabstieg (SGD) eingesetzt. LDA, ein statistisches Werkzeug, wird genutzt, um einen neuen Merkmalsraum für die Datenprojektion zu erzeugen, was die Trennbarkeit der Klassen verbessert und die Vorhersage der Testmerkmalslabels erhöht. Der vorgeschlagene Ansatz, der als LMSS bezeichnet wird, wurde anhand des UCI-HAR-Datensatzes evaluiert und mit state-of-the-art-Modellen verglichen. Die Ergebnisse zeigen, dass der vorgeschlagene Ansatz die Leistung des besten bisher bekannten Verfahrens auf diesem Datensatz übertrifft. Er erzielte eine Genauigkeit von 99,52 %, eine Präzision von 99,55 %, einen Recall von 99,53 % und einen F1-Score von 99,54 %, was die Wirksamkeit der vorgeschlagenen Methode bei der präzisen Klassifizierung der Daten unterstreicht.