guillaume-chevalier/LSTM-Human-Activity-Recognition
کاربرد:
این پروژه از داده‌های سنسورهای گوشی هوشمند و شبکه عصبی LSTM برای تشخیص فعالیت انسانی استفاده می‌کنه. با تحلیل حرکات، نوع فعالیت کاربر (مثل راه رفتن، دویدن، نشستن و غیره) را در یکی از شش دسته مختلف دسته‌بندی می‌کنه.
در چه شرایطی بهتره استفاده شود؟
وقتی نیاز داری مدلی قدرتمند برای پردازش داده‌های زمانی داشته باشی، مثلاً در دستگاه‌های پوشیدنی، همراه با سنسورهای شتاب‌سنج و ژیروسکوپ. ساعت‌های هوشمند، بند فعالیت و برنامه‌های سلامت و تناسب اندام از بهترین کاربردهای این مدل هستند.
چند مثال از موارد استفاده
- تشخیص اینکه کاربر دارد راه می‌ره یا دویدن ️
- تشخیص زمانی که فرد از پله‌ها بالا یا پایین می‌ره
- نظارت بر فعالیت‌های بیماران در سیستم‌های بهداشتی
- بهبود تعامل کاربر با دستگاه‌های هوشمند بر اساس فعالیت فعلی
- ##HumanActivityRecognition
- ##LSTM
- ##TensorFlow
- ##SmartphoneSensors
- ##RNN
- ##WearableAI
- ##TimeSeries
- ##DeepLearning
- ##MotionClassification
- ##HealthTech