Human behavior modeling in smart environments is a growing research area treating several challenges related to ubiquitous computing, pattern recognition, and ambient assisted living. Thanks to recent progress in sensing devices, it is now possible to design computational models able of accurate detection of residents’ activities and daily routines. For this goal, we introduce in this paper a deep learning-based framework for activity recognition in smart homes. This framework proposes a detailed methodology for data preprocessing, feature mining, and deep learning techniques application. The novel framework was designed to ensure a deep exploration of the feature space since three main approaches are tested, namely, the all-features approach, the selection approach, and the reduction approach. Besides, the framework proposes the evaluation and the comparison of several well-chosen deep learning techniques such as autoencoder, recurrent neural networks (RNN), and some of their derivatives models. Concretely, the framework was applied on the “Orange4Home” dataset which represents a recent dataset specially designed for smart homes research. Our main findings show that the best approach for efficient classification is the selection approach. Furthermore, our overall results outperformed baseline models based on random forest classifiers and the principal component analysis technique, especially the results of our RNN-based model for the all-features approach and the results of our autoencoder-based model for the feature reduction approach.

中文翻译：

---

基于深度学习的智能家居人类活动识别框架

智能环境中的人类行为建模是一个不断发展的研究领域，处理与普适计算、模式识别和环境辅助生活相关的若干挑战。由于传感设备的最新进展，现在可以设计能够准确检测居民活动和日常生活的计算模型。为此，我们在本文中介绍了一种基于深度学习的智能家居活动识别框架。该框架为数据预处理、特征挖掘和深度学习技术应用提出了详细的方法论。由于测试了三种主要方法，即全特征方法、选择方法和约简方法，新框架旨在确保对特征空间的深入探索。除了，该框架建议对几种精心挑选的深度学习技术进行评估和比较，例如自动编码器、循环神经网络 (RNN) 及其一些衍生模型。具体来说，该框架应用于“Orange4Home”数据集，该数据集代表了最近专为智能家居研究设计的数据集。我们的主要发现表明，有效分类的最佳方法是选择方法。此外，我们的整体结果优于基于随机森林分类器和主成分分析技术的基线模型，尤其是我们基于 RNN 的全特征方法模型的结果和我们基于自动编码器的特征减少方法模型的结果。循环神经网络 (RNN) 及其一些衍生模型。具体来说，该框架应用于“Orange4Home”数据集，该数据集代表了最近专为智能家居研究设计的数据集。我们的主要发现表明，有效分类的最佳方法是选择方法。此外，我们的整体结果优于基于随机森林分类器和主成分分析技术的基线模型，尤其是我们基于 RNN 的全特征方法模型的结果和我们基于自动编码器的特征减少方法模型的结果。循环神经网络 (RNN) 及其一些衍生模型。具体来说，该框架应用于“Orange4Home”数据集，该数据集代表了最近专为智能家居研究设计的数据集。我们的主要发现表明，有效分类的最佳方法是选择方法。此外，我们的整体结果优于基于随机森林分类器和主成分分析技术的基线模型，尤其是我们基于 RNN 的全特征方法模型的结果和我们基于自动编码器的特征减少方法模型的结果。我们的主要发现表明，有效分类的最佳方法是选择方法。此外，我们的整体结果优于基于随机森林分类器和主成分分析技术的基线模型，尤其是我们基于 RNN 的全特征方法模型的结果和我们基于自动编码器的特征减少方法模型的结果。我们的主要发现表明，有效分类的最佳方法是选择方法。此外，我们的整体结果优于基于随机森林分类器和主成分分析技术的基线模型，尤其是我们基于 RNN 的全特征方法模型的结果和我们基于自动编码器的特征减少方法模型的结果。