Deep Learning for Human Activity Recognition in Smart Environments

Abstract

Over the last twenty years, many advancements within the field of technology have occurred, and new ways of smart digital sensors have emerged. The growth of IoT-based services in smart homes, buildings, cities, factories, and smart environments, in general, creates value for individuals, industries, and public organizations. In general, a smart home environment is a typical habitation that was improved and equipped with all types of sensors and actuators in order to offer services to its residents. In fact, among the most important topics and inputs for many smart home applications is identifying residents' routine living activities. The ability to automate the Human Activity Recognition system from human behavior patterns is challenging due to the human life complexity inside the home environment by one or many inhabitants and residents. Hence, to overcome this complexity, several algorithms of deep learning, which have recently proven their efficiency in many areas, were analyzed to increase the human activity recognition accuracy. This research seeks to investigate and design the Human Activity Recognition system in smAu cours des vingt dernières années, de nombreux progrès dans le domaine de la technologie ont eu lieu et de nouvelles façons de capteurs numériques intelligents ont émergé. La croissance des services basés sur l'Internet des objets dans les maisons intelligentes, les bâtiments, les villes, les usines et les environnements intelligents en général crée de la valeur pour les particuliers, les industries et les organisations publiques. En général, un environnement de maison intelligente est une habitation typique qui a été améliorée et équipée de tous types de capteurs et d'actionneurs afin d'offrir des services à ses résidents. En effet, parmi les sujets et les entrées les plus importants pour de nombreuses applications de maison intelligente est l'identification des activités de vie courantes des résidents. La capacité d'automatiser le système de reconnaissance de l'activité humaine à partir des modèles de comportement humain est difficile en raison de la complexité de la vie humaine à l'intérieur de l'environnement domestique par un ou plusieurs habitants et résidents. Ainsi, pour pallier cette complexité, plusieurs algorithmes d'apprentissage profond, qui ont récemment prouvé leur efficacité dans de nombreux domaines, ont été analysés pour augmenter la précision de la reconnaissance de l'activité humaine. Cette recherche vise à étudier et à concevoir le système de reconnaissance de l'activité humaine dans des environnements intelligents et à améliorer sa précision en mettant en œuvre l'approche d'apprentissage en profondeur hybride CNN-LSTMart environments and improve its accuracy by implementing the CNN-LSTM hybrid deep learning approach على مدار العشرين عامًا الماضية ، حدثت العديد من التطورات في مجال التكنولوجيا وظهرت طرق جديدة لأجهزة الاستشعار الرقمية الذكية. إن نمو الخدمات القائمة على إنترنت الأشياء في المنازل الذكية والمباني والمدن والمصانع والبيئات الذكية بشكل عام يخلق قيمة للأفراد والصناعات والمؤسسات العامة. بشكل عام ، تعد بيئة المنزل الذكي مسكنًا نموذجيًا تم تحسينه وتجهيزه بجميع أنواع أجهزة الاستشعار والمحركات من أجل تقديم الخدمات لسكانها. في الواقع، من بين أهم الموضوعات والمدخلات للعديد من تطبيقات المنزل الذكي تحديد الأنشطة المعيشية الروتينية للمقيمين. تعد القدرة على أتمتة نظام التعرف على النشاط البشري من أنماط السلوك البشري أمرًا صعبًا بسبب تعقيد الحياة البشرية داخل بيئة المنزل من قبل واحد أو العديد من السكان والمقيمين. ومن ثم، للتغلب على هذا التعقيد ، تم تحليل العديد من خوارزميات التعلم العميق ، والتي أثبتت مؤخرًا كفاءتها في العديد من المجالات ، لزيادة دقة التعرف على النشاط البشري. يسعى هذا البحث إلى التحقيق في نظام التعرف على النشاط البشري وتصميمه في البيئات الذكية وتحسين دقته من خلال تطبيق نهج التعلم العميق الهجين CNN-LSTM.