集成深度学习在智能手表跌倒检测中的实验与分析

Abstract

在这次演讲中，我将介绍一个集成深度学习(DL)的实验研究。 技术的分析时间序列数据感知的智能手表，DL已经证明 与传统机器学习技术相比，性能优越 检测应用中由于时间序列数据的重要特征 可以学习并且不需要由领域专家手动确定. However, 深度学习网络通常需要大型数据集进行训练. In fall detection, there 没有公开的大型带注释的数据集可以用于训练， 由于问题的性质(i.e. a fall is a rare event). Moreover, fall data 是否也固有的噪音，因为许多运动产生的手腕上的智能手表 can be mistaken for a fall. 我们探索将DL(递归神经网络)与 集成技术(堆叠和AdaBoosting).. 我们进行了一系列的实验 使用两个不同的模拟跌倒数据集来训练各种集成模型. 我们的研究结果表明，通过堆叠组合的深度学习模型的集合 集成技术优于在相同数据上训练的单个深度学习模型 因此，样本可能更适合于小型数据集.

在演讲的第二部分，我将简要地描述 德克萨斯州立大学计算机科学博士课程和资助的机会 PhD positions.

Bio

Anne H.H. Ngu目前是该系的教授和博士项目主任 他是德克萨斯州立大学计算机科学专业的教授. 1992年至2000年，她担任高级研究员 新南威尔士州大学计算机科学与工程学院讲师 Wales, Australia.  她曾在Telcordia担任研究科学家/学者的职位 Technologies; Lawrence Livermore National Laboratory, Microelectonics and Computer Technology (MCC); University of California, Berkeley; Commonwealth Scientific and 工业研究组织(CSIRO)，澳大利亚和蒂尔堡大学 Netherlands. Ngu博士在期刊上发表了130多篇技术论文 计算机科学会议. 她的主要研究兴趣是大规模服务 信息发现与集成、物联网软件平台等 应用，科学工作流程，数据库和软件工程. Her professional 服务在国际数据工程会议上担任关键领导角色 (ICDE)和Web信息系统工程会议(WISE).  She was a winner 2013年我校本科生科研指导奖获得者. 

Time and Location

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