Данная работа посвящена построению нейросетевой модели классифика­ ции места крепления мобильной метки на человеке по данным, поступающим с акселерометра и гироскопа. Сеть обучается на данных, представляющих собой временные ряды относительно небольшой длины. В качестве архитектуры модели использованы рекуррентные нейронные сети для обработки последовательностей BiLSTM и DeepConvLSTM. BiLSTM позволяет учитывать долгосрочные зависимости между шагами временных рядов и извлекать больше информации за счет обработки временного ряда в двух направлениях. DeepConvLSTM имеет сверточные слои, позволяющие извлекать дополнительную информацию за счет анализа взаимосвязей между коротковременными последовательностями внутри временного ряда. В данной работе представлены результаты вычислительных экспериментов на данных, относящихся к двум классам по местам крепления метки. Эксперимен­ты были проведены для исследования влияния действий человека, использующего средство индивидуальной защиты с мобильной меткой, на качество классификации места крепления метки. Предлагаемый метод не зависит от факторов индустриаль­ной обстановки. Качество модели улучшается при использовании синтетических признаков, по которым различимы данные с датчиков, находящихся в разных местах крепления.

This work is devoted to the construction of a neural network model for classifying mobile tag placement on a person based on data coming from an accelerometer and gyroscope. The network is trained on data representing time series of relatively short length. The model architecture uses recurrent neural networks for processing sequences like BiLSTM and DeepConvLSTM. BiLSTM allows to take into account long-term dependencies between time series steps and extract more information by processing the time series in two directions. DeepConvLSTM has convolutional layers that allow extracting additional information by analyzing the dependencies between short-term sequences within a time series. This paper presents the results of computational experiments on data belonging to two classes according to the placement of the tag. The experiments were conducted to investigate the effect of the actions of a person using a personal protective equipment with a mobile tag on the quality of the tag placement classification. The proposed method does not depend on the factors of the industrial situation. The quality of the model is improved by using synthetic features, by which data from sensors located in different placements are distinguishable.

• Автоматическое определение принадлежности мобильных меток носителям в производственной задаче контроля перемещений и работ в опасных зонах
  • Введение
  • 1. Обзор литературы
  • 2. Постановка задачи
  • 3. Описание метода
  • 4. Описание экспериментов
  • 5. Анализ результатов
  • 6. Средства разработки
  • Заключение
  • Список использованных источников