8、深度学习在异常人类行为检测与远程医疗系统中的应用

深度学习在异常人类行为检测与远程医疗系统中的应用

异常人类行为检测系统

在异常人类行为检测系统中，集成了两种不同的深度学习（DL）模型。卷积神经网络（CNN）扫描视频帧以提取特征，循环神经网络（RNN）读取这些特征来预测行为。该深度学习模型使用脚本语言Keras框架进行规划，以TensorFlow框架作为后端。信息的预处理十分重要，它能确保DL模型在进入训练阶段前正确拟合。

在深度学习活动检测领域，在使用循环神经网络预测帧序列之前，应先使用卷积神经网络提取视频帧的特征。此外，还有其他行为识别DL模型，比如一种使用全连接（FC）网络的3D CNN。这种技术是将整个视频同时输入3D CNN，它可以提取图像和运动或时间特征，然后将这些特征输入到全连接网络中。不过，这种方法的问题在于它需要所有的视频片段才能进行操作预测。

卷积部分

开发一个能很好地理解图像并创建其特征（封装图像信息的向量）的2D卷积神经网络是一项具有挑战性的任务。这是因为选择合适的模型很困难，而且训练需要大量的时间和数据。因此，一种常见的深度学习技术是从预训练模型中提取特征，然后将其融入新模型。为了识别图像，已经有许多模型经过了训练。自2010年以来，ImageNet数据库每年都会举办一场评估目标识别和图像分类算法的挑战赛（ILSVRC）。自2012年以来，像Alex.Net（2012）、ZF Net（2013）、VGG Net（2014）、GoogLeNet（2014）和Microsoft ResNet（2015）等DL模型都在这场比赛中崭露头角。

在这个系统中，使用前馈神经网络进行分类过程，它连接到第二个模块。需要分类的项目数量决定了前馈神经网络的输出大小，第二个组件遵循与