Ces derniers temps, la reconnaissance de l'activité humaine (HAR) devient un enjeu majeur parmi les applications de vision par ordinateur dans la vie de tous les jours. Le HAR est principalement envisagé pour être utilisé avec d'autres technologies, à savoir l'Internet des objets (IoT) et les technologies de capteurs. En raison des progrès des approches d'apprentissage profond (DL), un processus automatisé d'extraction de fonctionnalités de haut niveau peut être utilisé pour améliorer les résultats HAR. En outre, les techniques DL peuvent être utilisées dans différents domaines de HAR activé par capteur. Dans cet aspect, cette étude conçoit un modèle HAR optimal basé sur DL (ODL-HAR) sur des environnements IoT activés par capteur. La technique ODL-HAR vise à déterminer les activités humaines au quotidien à l'aide de wearables et d'appareils IoT. La technique ODL-HAR proposée implique différentes étapes d'opérations à savoir l'acquisition de données, le prétraitement de données, l'extraction de caractéristiques, la classification et l'optimisation des paramètres. La technique ODL-HAR utilise un modèle MobileNet-v2 comme extracteur de caractéristiques et un modèle de mémoire bidirectionnelle à long terme (BiLSTM) comme classificateur. Afin de régler de manière optimale l'hyperparamètre impliqué dans le modèle BiLSTM, un algorithme d'optimisation de jeu de chaos (CGO) est utilisé et augmente ainsi les performances de reconnaissance. La conception de l'algorithme CGO pour l'optimisation hyperparamétrique de HAR montre la nouveauté du travail. Un large éventail de simulations a lieu pour souligner l'amélioration de la technique ODL-HAR sur deux ensembles de données de référence. Les résultats expérimentaux ont dépeint l'amélioration des performances de la technique ODL-HAR par rapport aux autres approches HAR récentes, entre différents paramètres d'évaluation.

En los últimos tiempos, el reconocimiento de la actividad humana (HAR, por sus siglas en inglés) se ha convertido en un importante problema entre las aplicaciones de visión artificial en la vida cotidiana. Se prevé que el HAR se utilice principalmente con otras tecnologías, a saber, Internet de las cosas (IoT) y tecnologías de sensores. Debido a los avances de los enfoques de aprendizaje profundo (DL), se puede utilizar un proceso automatizado de extracción de características de alto nivel para mejorar los resultados de HAR. Además, las técnicas de DL se pueden emplear en diferentes dominios de HAR habilitado para sensores. En este aspecto, este estudio diseña un modelo HAR (ODL-HAR) basado en DL óptimo en entornos IoT habilitados para sensores. La técnica ODL-HAR tiene como objetivo determinar las actividades humanas en la vida cotidiana utilizando dispositivos portátiles y dispositivos IoT. La técnica ODL-HAR propuesta implica diferentes etapas de operaciones, a saber, adquisición de datos, preprocesamiento de datos, extracción de características, clasificación y optimización de parámetros. La técnica ODL-HAR utiliza un modelo MobileNet-v2 como extractor de características y un modelo bidireccional de memoria a largo plazo (BiLSTM) como clasificador. Para ajustar de manera óptima el hiperparámetro involucrado en el modelo BiLSTM, se emplea el algoritmo de optimización de juegos de caos (CGO) y, por lo tanto, aumenta el rendimiento del reconocimiento. El diseño del algoritmo CGO para la optimización de hiperparámetros de HAR muestra la novedad del trabajo. Se lleva a cabo una amplia gama de simulaciones para señalar la mejora de la técnica ODL-HAR en dos conjuntos de datos de referencia. Los resultados experimentales retrataron el rendimiento mejorado de la técnica ODL-HAR sobre los otros enfoques HAR recientes de diferentes parámetros de evaluación.

In recent times, Human activity recognition (HAR) becomes a major challenging issue among computer vision applications in day to day lives. The HAR is mainly envisioned to be utilized with other technologies, namely Internet of Things (IoT) and sensor technologies. Due to the advancements of deep learning (DL) approaches, automated high level feature extraction process can be utilized to improve the HAR results. In addition, DL techniques can be employed in different domains of sensor enabled HAR. In this aspect, this study designs an optimal DL based HAR (ODL-HAR) model on sensor enabled IoT environments. The ODL-HAR technique aims to determine human activities in day to day lives using wearables and IoT devices. The proposed ODL-HAR technique involves different stages of operations namely data acquisition, data preprocessing, feature extraction, classification, and parameter optimization. The ODL-HAR technique uses a MobileNet-v2 model as a feature extractor and bidirectional long short-term memory (BiLSTM) model as a classifier. In order to optimally tune the hyperparameter involved in the BiLSTM model, chaos game optimization (CGO) algorithm is employed and thereby raises the recognition performance. The design of CGO algorithm for hyperparameter optimization of HAR shows the novelty of the work. A wide range of simulations takes place to point out the betterment of the ODL-HAR technique on two benchmark datasets. The experimental results portrayed the enhanced performance of the ODL-HAR technique over the other recent HAR approaches interms of different evaluation parameters.

في الآونة الأخيرة، أصبح التعرف على النشاط البشري (HAR) قضية صعبة رئيسية بين تطبيقات رؤية الكمبيوتر في الحياة اليومية. من المتصور بشكل أساسي استخدام HAR مع تقنيات أخرى، وهي إنترنت الأشياء (IoT) وتقنيات الاستشعار. نظرًا للتقدم في مناهج التعلم العميق (DL)، يمكن استخدام عملية استخراج الميزات الآلية عالية المستوى لتحسين نتائج HAR. بالإضافة إلى ذلك، يمكن استخدام تقنيات DL في مجالات مختلفة من أجهزة الاستشعار الممكّنة. في هذا الجانب، تصمم هذه الدراسة نموذجًا مثاليًا يعتمد على DL HAR (ODL - HAR) على بيئات إنترنت الأشياء التي تدعمها أجهزة الاستشعار. تهدف تقنية ODL - HAR إلى تحديد الأنشطة البشرية في الحياة اليومية باستخدام الأجهزة القابلة للارتداء وأجهزة إنترنت الأشياء. تتضمن تقنية ODL - HAR المقترحة مراحل مختلفة من العمليات وهي الحصول على البيانات، والمعالجة المسبقة للبيانات، واستخراج الميزات، والتصنيف، وتحسين المعلمات. تستخدم تقنية ODL - HAR نموذج MobileNet - v2 كمستخرج للميزات ونموذج للذاكرة طويلة المدى ثنائية الاتجاه (BiLSTM) كمصنف. من أجل ضبط المعلمة الفائقة المشاركة في نموذج BiLSTM على النحو الأمثل، يتم استخدام خوارزمية تحسين لعبة الفوضى (CGO) وبالتالي رفع أداء التقدير. يُظهر تصميم خوارزمية CGO لتحسين المعلمات الفائقة لـ HAR حداثة العمل. يتم إجراء مجموعة واسعة من عمليات المحاكاة للإشارة إلى تحسين تقنية ODL - HAR على مجموعتين من البيانات المعيارية. وصورت النتائج التجريبية الأداء المحسن لتقنية ODL - HAR على مقاربات HAR الأخيرة الأخرى لمعلمات التقييم المختلفة.