深度卷积网络与极限学习机：可穿戴设备下的人体行为连续识别提升

本文研究的主题是"基于深度卷积网络和极限学习机的可穿戴传感器的连续人体行为识别"，由何杰、张少阳、徐诚、段世红和齐悦等人共同完成，发表在中国科技论文在线。他们的研究旨在克服传统人体行为识别方法的局限性，即依赖于启发式获取的工程特征，忽视了传感器测量数据流中的时间信息，导致无法实现连续姿态识别。 传统的神经网络如BP神经网络可能存在训练过度的问题，导致得到的局部最优解并非全局最优。为了改进这一点，研究人员提出了一种创新的混合深度结构，它结合了卷积操作、长短时记忆(LSTM)循环单元和极端学习机(ELM)分类器。这种结构的优势在于无需人工提取特征，能够自动捕捉特征的时间动态特性，特别适合对这些动态特征进行有效分类，从而显著提高了识别精度和测试效率。 具体来说，相比于非循环网络，该结构在性能上表现出显著提升，超过6%的性能优势，相对于之前报道的最好方法，更是提升了8%。此外，通过采用ELM而非BP算法，他们成功地减少了测试时间，较之传统方法，时间缩短了惊人的38%。这表明他们的方法不仅在识别准确度上有所突破，还在计算效率上实现了显著优化。 研究者们使用公开的行为识别挑战数据集对该结构进行了验证，结果证实了其在人体行为识别领域的优越性。该工作对于推动可穿戴设备在实时、连续的人体行为识别领域的应用具有重要意义，特别是在物联网(IoT)和低频无线通信技术的发展中，将有助于提高用户体验和设备的智能化水平。何杰教授作为主要研究者，他的研究方向涵盖了模式识别、低频无线通信和物联网等多个领域，显示出他在该领域的深厚理论基础和实践经验。 总结来说，这篇论文探索了一种创新的深度学习方法，它在人体行为识别的实时性和准确性上取得了显著进步，有望在未来的研究和实际应用中发挥重要作用。