Phỏng vấn Zahra Ghorrati: phát triển các khung nhận dạng hoạt động con người sử dụng cảm biến đeo được - Robohub

Nguồn: robohub
Ngày đăng: 8/10/2025
Để đọc nội dung đầy đủ, vui lòng truy cập vào bài viết gốc.
Đọc bài viết gốcTrong cuộc phỏng vấn này, Zahra Ghorrati, nghiên cứu sinh tiến sĩ tại Đại học Purdue, thảo luận về nghiên cứu của cô về việc phát triển các khung học sâu có khả năng mở rộng và thích ứng cho nhận dạng hoạt động con người (HAR) sử dụng cảm biến đeo được. Công trình của cô giải quyết những thách thức do dữ liệu nhiễu, không nhất quán và không chắc chắn từ các thiết bị đeo, nhằm tạo ra các mô hình có hiệu quả tính toán, dễ giải thích và đủ mạnh mẽ cho các ứng dụng thực tế ngoài môi trường phòng thí nghiệm kiểm soát. Khác với các hệ thống nhận dạng dựa trên video, cảm biến đeo mang lại lợi thế về quyền riêng tư và khả năng giám sát liên tục, khiến chúng rất phù hợp cho chăm sóc sức khỏe và theo dõi hoạt động lâu dài.
Nghiên cứu của Ghorrati tập trung vào một mạng nơ-ron sâu mờ phân cấp, có khả năng thích ứng với các bộ dữ liệu HAR đa dạng bằng cách phát hiện các hoạt động đơn giản hơn ở các cấp thấp hơn và các hoạt động phức tạp hơn ở các cấp cao hơn. Bằng cách tích hợp logic mờ vào học sâu, mô hình của cô xử lý hiệu quả sự không chắc chắn trong dữ liệu cảm biến, cải thiện cả độ bền và khả năng giải thích. Cách tiếp cận này cũng duy trì chi phí tính toán thấp, cho phép nhận dạng thời gian thực trên các thiết bị đeo. Các đánh giá trên nhiều bộ dữ liệu chuẩn cho thấy khung làm việc của cô đạt được độ chính xác cạnh tranh.
Thẻ
robotwearable-sensorshuman-activity-recognitiondeep-learningIoThealthcare-technologysensor-data-analysis