Noise-Resilient Human Activity Recognition via A Hybrid CNN–InceptionV3 Model
Notice bibliographique
Résumé
Human activity recognition (HAR) is the process of identifying and classifying physical activities performed by individuals through data captured from various sensors.It is essential for applications like sports analysis, rehabilitation, patient monitoring, and senior care systems.From the literature it is observed that human activity recognition (HAR) models developed in an unconstrained environment have several limitations like Personal Interference (PI), Electromagnetic (EM) noise, in-band noise or human movements and outliers involved while capturing the input data.These noises are affecting the overall performance and robustness of the model.In order to improve the model performance, noise removal techniques are introduced in this work.Noises like salt and pepper noise, Gaussian noise, and blurring of the boundaries and outlier treatment are processed for the hybrid data acquired using video and sensors in line of sight mode in this paper.For removing these noises, a combination of filters like Kalman filter, MOSSE filter, Butter-worth and J filter, are applied to the input data.By developing this noise removal technique, Peak to Sidelobe Ratio (PSR) is reduced from the raw data.After removing these noises, features are extracted using the top layers of CNN InceptionV3 model for video data.Similarly by using inertial sensor features like tri-axial accelerometer, gyroscopes and magnetometers are collected and a feature vector is created.Pyramidal flow feature fusion (PFFF) technique is used to fuse the extracted features.Finally, the fused features are given to the Support Vector Machine (SVM) classifier to perform activity recognition.This work presents a hybrid deep learning model designed to enhance noise resilience in human activity recognition (HAR) for unconstrained environments and it was validated on UCF Sports and UCI HAR datasets, showing that noise removal with hybrid feature fusion markedly improves HAR model robustness.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».