使用智能手机数据集和LSTM RNN的人类活动识别（HAR）。 将运动类型分为以下六类： 步行， WALKING_UPSTAIRS， WALKING_DOWNSTAIRS， 坐下 常设， 铺设。 与传统方法相比，使用具有长短期记忆单元（LSTM）的递归神经网络（RNN）不需要或几乎不需要特征工程。 数据可以直接馈入神经网络，就像黑盒子一样，对问题进行正确建模。 关于活动识别数据集的可以使用大量的特征工程，这是一种结合了经典数据科学技术的信号处理方法。 就数据预处理量而言，此处的方法非常简单。 让我们使用Google简洁的深度学习库TensorFlow演示LSTM的用法，LSTM是一种可以处理顺序数据/时间序列的人工神经网络。 视频数据集概述 点击此链接可观看其中一位参与者在实验中记录的6个活动的视频： 有关输入数据的详细信息 我将在数据上使用LSTM进行学习（作为连接在腰部的手机），以识别用户正在进行的活动类型。 数据集的描述如下： 传感器信号（加速度计和陀螺仪）通过应用噪声滤波器进行预处理，然后在2.56秒和50％重叠（128个读数/窗口）的固定宽度滑动窗口中采

人体活动识别是上下文感知系统及其应用中一个具有挑战性的研究问题。目前，关于人体活动识别的研究主要使用一些基于监督学习或半监督学习的统计方法来构建识别模型。然而，考虑到识别活动类型本身具有的复杂性和多样性，当前的人体活动识别系统不能取得较好的识别效果。针对这一问题，通过智能手机的三维加速度和陀螺仪传感器信息来提取人体活动的特征向量，选择四种典型的统计学习方法（分别是K-近邻算法、支持向量机、朴素贝叶斯网络以及基于朴素贝叶斯网络的AdaBoost算法）分别创建人体活动的识别模型，最后通过模型决策得到最优的人体活动识别模型。实验结果表明，通过模型决策选择的识别模型对人体活动识别准确率达到92%，取得很好的识别效果。

鲁棒且无设备的老年人活动识别和分类系统

人类活动加速度传感器数据，包括行走，工作，上楼梯等一些列活动