集成深度学习在智能手表跌倒检测中的实验与分析

摘要

在这次演讲中，我将展示一项用于分析智能手表感知的时间序列数据的集成深度学习（DL）技术的实验研究，与传统的机器学习技术相比，DL在跌倒检测应用中表现出了卓越的性能，因为时间序列数据中的重要特征可以被学习，而不需要由领域专家手动确定。然而，深度学习网络通常需要大型数据集进行训练。在跌倒检测中，由于问题的性质（即跌倒是罕见事件），没有公开可用的大型注释数据集可用于训练。此外，由于手腕上的智能手表产生的许多运动可能被误认为是跌倒，因此跌倒数据本身也存在噪声。我们探索将DL（递归神经网络）与集成技术（堆栈和AdaBoosting）相结合。我们使用两种不同的模拟跌倒数据集进行了一系列实验，以训练各种集成模型。我们的研究结果表明，通过叠加集成技术组合的深度学习模型的集成优于在相同数据样本上训练的单个深度学习模型，因此，可能更适合小型数据集。

在演讲的第二部分，我将简要介绍德克萨斯州立大学计算机科学博士项目的独特性质以及获得资助的博士职位的机会。

生物

Anne H.H. Ngu目前是德克萨斯州立大学计算机科学系的教授和博士项目主任。1992年至2000年，任澳大利亚新南威尔士大学计算机科学与工程学院高级讲师。她曾担任Telcordia Technologies的研究科学家/学者职位；劳伦斯利弗莫尔国家实验室微电子与计算机技术（MCC）；加州大学伯克利分校；澳大利亚联邦科学与工业研究组织（CSIRO）和荷兰蒂尔堡大学。Ngu博士在计算机科学期刊和会议上发表了130多篇技术论文。主要研究方向为大规模服务与信息发现与集成、物联网软件平台与应用、科学工作流、数据库与软件工程。她的专业服务包括在国际数据工程会议（ICDE）和网络信息系统工程会议（WISE）中担任关键九州体育领导角色。她是2013年NCWIT本科生研究指导奖的获得者。

时间和地点

2022年2月22日下午1:30，ZOOM https://sjsu.zoom.us/j/86925918978?pwd=U1V6UDNnNi9jaDFMU2dDZS92bTNpUT09