Resumen

En el ámbito de la sanidad, el análisis de las actividades de los pacientes es uno de los factores importantes que ofrecen información adecuada para ofrecer mejores servicios para el buen manejo de sus enfermedades. La mayoría de los sistemas de reconocimiento de la actividad humana (HAR) dependen completamente del módulo/etapa de reconocimiento. La inspiración de la etapa de reconocimiento es la falta de mejora en el método de aprendizaje. En este estudio, hemos propuesto el uso de los campos aleatorios condicionales ocultos (HCRF) para el problema del reconocimiento de la actividad humana. Además, sostenemos que el modelo HCRF existente es inadecuado por los supuestos de independencia, lo que puede reducir la precisión de la clasificación. Por lo tanto, utilizamos un nuevo algoritmo para relajar el supuesto, permitiendo que nuestro modelo utilice la distribución de covarianza completa. Además, en este trabajo, demostramos que el cálculo de nuestro método tiene una complejidad muy inferior a la de los métodos existentes. Para los experimentos, utilizamos cuatro conjuntos de datos estándar disponibles públicamente para mostrar el rendimiento. Utilizamos un esquema de validación cruzada de 10 veces para entrenar, evaluar y comparar el modelo propuesto con el método de aprendizaje condicional, el modelo de Markov oculto (HMM) y el modelo HCRF existente que sólo puede utilizar distribuciones gaussianas de covarianza diagonal. A partir de los experimentos, es obvio que el modelo propuesto mostró una mejora sustancial con un valor p ≤0,2 respecto a la precisión de la clasificación.

• Materias:Biotecnología Minería de datos Algoritmo genético Neurociencia Cognitiva Neurofisiología
• Subjects:Biotechnology Data mining Genetic algorithm Cognitive Neuroscience Neurophysiology
• Palabras claves:reconocimiento de actividades humanas, modelo propuesto, modelo hcrf, precisión de la clasificación, métodos de aprendizaje condicional, campo aleatorio condicional, falta de mejora, análisis de pacientes, modelo de markov oculto, conjuntos de datos estándar disponibles
• Keywords:human activities recognition, proposed model, hcrf model, classification accuracy, conditional learning methods, conditional random field, lack of enhancement, analysis of patients, hidden markov model, available standard datasets