【Python深度学习】识别人类活动的一维卷积神经网络模型

人体活动识别（Human Activity Recognition, HAR）是一项根据运动传感器数据预测个体行为的技术，通过智能手机、智能手表或其他传感设备实时捕获数据，实现对个体活动状态的分析。一个经典的 HAR 数据集是 2012 年推出的“使用智能手机的活动识别数据集”，它由意大利热那亚大学 Davide Anguita 等人收集并提供，包含了智能手机（Samsung Galaxy S II）记录的加速度和陀螺仪传感器数据。数据收集的实验中，30 名年龄在 19 至 48 岁之间的受试者佩戴智能手机执行了六项日常活动，包括行走、上下楼梯、坐下、站立和躺下。实验通过视频记录了每项活动，并手动标记数据，确保活动标签的准确性。传感器数据每秒记录 50 次，并通过三轴加速度计和陀螺仪采集 x、y、z 方向上的运动数据。文章目录数据预处理一维卷积神经网络（1D CNN）重复实验与结果调整一维卷积神经网络 (1D CNN)多头卷积神经网络（Multi-Headed CNN）总结数据预处理数据经过预处理，简化了分析过程，确保了模型能够更精确地从数据中识别模式。首先，通过噪声滤波降低了传感器数据的噪声，提升了数据质量。接着，数据被切分成 2.56 秒的窗口，以 50% 重叠率增加了信息量，提高了特征的覆盖率。通过特征工程，提取了时域和频域的 561 项指标，如均值、标准差和四分位数等，这些丰富的特征向量为模型提供了充足的信息，助力分类效果。最终，数据集按照 70% 和 30% 分割为训练集和测试集，21 位受试者的数据用于训练，9 位用于模型的评估，确保模型在未见数据上的表现可以真实反映其泛化能力。预处理步骤说明噪声滤波去除采集过程中的噪声，提升数据质量窗口切割切分为 2.56 秒窗口，包含 128 个数据点，采用 50% 重叠率特征提取提取 561 项特征，包括均值、标准差、四分位数等数据集划分训练集占 70%（21 位受试者数据），测试集占 30%（9 位受试者数据）这个数据集可以从