机构名称：
¥ 1.0
人类活动识别（HAR）在各种应用中起着至关重要的作用，包括医疗保健，健身跟踪，安全性和智能环境，通过基于传感器和视觉数据对人类行为进行自动分类。本文提交了对HAR利用机器学习，基于传感器的数据和融合方法的全面探索。har涉及通过分析来自加速度计和陀螺仪等传感器的数据来对人类活动进行分类。计算技术和传感器可用性的最新进展已推动了该领域的重大进展，从而使这些传感器集成到智能手机和其他设备中。第一项研究概述了HAR的基本方面，并回顾了现有文献，强调了机器学习应用在医疗保健，田径和个人使用中的重要性。在第二项研究中，重点转移到处理HAR系统的大规模，可变和嘈杂的传感器数据方面的挑战。该研究将机器学习算法应用于KU-HAR数据集，揭示了LightGBM分类器在关键性能指标（例如准确性，精度，回忆和F1得分）中的表现优于其他人。这项研究强调了为改进的HAR系统优化机器学习技术的持续相关性。这项研究突出了未来研究的潜力，以探索更先进的融合技术，以充分利用HAR的不同数据方式。第三项研究的重点是通过采用数据融合技术来克服HAR研究中的共同挑战，例如改变智能手机模型和传感器配置。实验是使用流行的机器学习分类器在KU-HAR和UCI HAR数据集上进行的，包括决策树，随机森林，梯度增强和XGBoost。Xgboost实现了96.83 \％的最高精度，并通过决策水平的融合方法证明了其在对基本人类活动进行分类方面的有效性，从而进一步改善了结果。第四个研究通过将可穿戴传感器数据与视觉数据相结合，深入研究了HAR的多模式融合技术。该研究研究了晚期融合方法在整合传感器和视觉方式方面的性能。传记素描生于沙特阿拉伯利雅得，国王沙特·本·阿卜杜勒齐兹卫生科学大学（KSAU-HS），沙特阿拉伯，2016年，沙特阿拉伯，沙特阿拉伯，
Munid Alanazi
主要关键词
