基于Python架构的机器学习人类行为检测机制

朱金诺，S.B.戈亚尔(),查曼·维尔玛(),玛丽亚·西蒙娜·拉博卡和特拉安·坎丁·米哈尔坦()
其他联系信息
朱金诺：中国南昌科学技术学院，南昌330108
S.B.Goyal：马来西亚八打灵再也46100城市大学信息技术学院
查曼·维尔马：匈牙利布达佩斯1053埃特沃斯·洛兰大学信息学院媒体和教育信息学系
玛丽亚·西蒙娜·拉博卡（Maria Simona Raboaa）：罗马尼亚国家低温和同位素技术研究开发所ICSI能源部，240050 Ramnicu Valcea
特拉安·坎丁·米哈尔坦（Traian Candin Mihaltan）：罗马尼亚克鲁伊·纳波卡技术大学建筑服务学院，邮编：40033

数学，2022年，第10卷，第17期，1-31

摘要：人类的行为受到外界的刺激，由此引起的情绪反应是身体表达的主观反应。人类通常以常见的方式行事，例如躺、坐、站、走和跑。在人类的现实生活中，由于家庭和工作中的负面情绪，人类的危险行为越来越多。随着信息时代的转型，人类可以使用工业4.0智能设备实现智能行为监测、远程操作、，以及其他有效了解和识别人类行为特征的手段。根据文献调查，现阶段的研究人员分析了人类行为的特征，在识别和判断人类行为的过程中，无法实现单一特征和复合特征的分类学习算法。例如，坐姿和坐姿过程中变化的特征分析不能用于分类和识别，整体检测率也需要提高。为了解决这一问题，本文开发了一种改进的机器学习方法来识别单一和复合特征。本文首先使用HATP算法进行样本采集和学习，根据单个特征和复合特征将样本分为12类；其次，采用CNN卷积神经网络维数算法、递归神经网络RNN算法、长短期极值网络LSTM算法和门限控制算法。环单元GRU算法利用现有算法设计模型图，并对整个过程使用现有算法；第三，在可穿戴传感器的作用下，将机器学习算法和基于该融合特征的主控制算法应用于HATP和人类。融合了每个行为阶段的输出特征；最后，通过使用SPSS数据分析和融合特征算法的再优化，该检测机制实现了总体目标样本识别率约为83.6%。最后，实现了对新算法下用于人类行为特征分类的机器学习算法机制的研究。

关键词： 人类行为;机器学习;卷积神经网络;人机交互;可穿戴传感器（在EconPapers中搜索类似项目）
JEL代码： C类（在EconPapers中搜索类似项目）
日期：2022
参考文献： 从CitEc查看完整的参考列表
引文： 查看EconPapers中的引文（1）通过RSS源跟踪引文

下载内容：（外部链接）
https://www.mdpi.com/2227-7390/10/17/3159/pdf（应用程序/pdf）
https://www.mdpi.com/2227-7390/10/17/3159/（文本/html）

相关工作：
此项目可在经济论文的其他地方找到：搜索对于具有相同标题的项目。

导出参考： BibTeX公司 RIS公司（尾注、ProCite、RefMan）HTML/文本

持久链接： https://EconPapers.repec.org/repec:gam:jmathe:v:10:y:2022:i:17:p:3159-：电话：905451

访问统计信息对于本文

数学目前由编辑Emma He女士

更多文章数学中的MDPI公司
MDPI索引管理器维护的系列书目数据().