Exploitation de l'extraction de caractéristiques LDA pour améliorer la précision de la reconnaissance des activités humaines

Cette recherche présente une approche hybride d'extraction de caractéristiques combinant les méthodes d'Analyse Discriminante Linéaire (LDA) et de Perceptron Multicouche (MLP) afin de relever les défis liés à la réduction de la dimension des vecteurs de caractéristiques et à la classification précise des activités humaines basées sur les smartphones. En outre, pour améliorer encore la précision de la classification des activités, une optimisation de la Machine à Vecteurs de Support (SVM) par descente de gradient stochastique (SGD) est appliquée. La LDA, outil statistique, est utilisée pour construire un nouvel espace de caractéristiques permettant la projection des données, ce qui améliore la séparation entre les classes et la prédiction des étiquettes des caractéristiques de test. L'approche proposée, nommée LMSS, a été évaluée sur le jeu de données UCI-HAR et comparée à des modèles de pointe. Les résultats montrent que la méthode proposée surpassait la meilleure approche existante sur ce jeu de données, atteignant un taux de précision de 99,52 %, une précision de 99,55 %, un rappel de 99,53 % et un score F1 de 99,54 %, mettant ainsi en évidence l'efficacité de la méthode proposée pour une classification précise des données.