可穿戴传感步态模式深度学习融合判别模型.pdf

深度学习融合判别模型在可穿戴传感步态模式识别中的应用 本文提出了一种深度学习融合判别模型，旨在提高可穿戴传感步态模式识别的准确度。该模型将卷积神经网络和长短时记忆神经网络相融合，充分利用两种网络模型的优点，挖掘可穿戴传感步态数据中的时空步态特征，并提高步态模式分类性能。 深度学习是一种基于机器学习的技术，通过训练大规模数据，学习数据的内部规律和特征，从而对数据进行预测和分类。深度学习融合判别模型是将卷积神经网络和长短时记忆神经网络相结合，充分利用两种网络模型的优点，挖掘可穿戴传感步态数据中的时空步态特征，并提高步态模式分类性能。 卷积神经网络（Convolutional Neural Networks，CNN）是一种基于深度学习的神经网络模型，能够学习和提取数据的局部空间特征。长短时记忆神经网络（Long Short-Term Memory Neural Networks，LSTM）是一种基于深度学习的递归神经网络模型，能够学习和提取数据的时间相关特征。 本文所提出的深度学习融合判别模型充分利用了卷积神经网络和长短时记忆神经网络的优点，挖掘可穿戴传感步态数据中的时空步态特征，并提高步态模式分类性能。实验结果表明，本文所提模型可以达到91.45%的分类准确率、91.54%的精确率和91.53%的召回率，显著优于传统机器学习模型。 该模型的提出为准确鉴别可穿戴传感步态模式提供了一个新的解决方案，具有重要的理论和实践价值。同时，本文也为深度学习在可穿戴传感步态模式识别中的应用提供了一个新的研究方向。 关键词：深度学习、可穿戴传感步态数据、步态模式识别 参考文献： [1] 谈巧玲,吴建宁. 可穿戴传感步态模式深度学习融合判别模型. 计算机系统应用, 2021, 30(5): 282-289. [2] Tan, Q. L., & Wu, J. N. (2021). Deep Learning Fusion Discrimination Model for Wearable Gait Patterns. Journal of Computer Systems and Applications, 30(5), 282-289.