一种用于人类活动识别的高效数据插补技术
信号处理
2020-07-10 v1 人工智能
计算机与社会
机器学习
摘要
人类活动识别的广泛应用正使其范围从健康监测系统扩展到虚拟现实应用。因此，日常活动的自动识别对众多应用具有重要意义。近年来，人们提出了许多数据集来训练机器学习模型，以高效监测和识别人类日常生活活动。然而，当数据集中存在不完整的活动，即数据集采集样本中存在缺失样本时，机器学习模型在活动识别中的性能会受到严重影响。因此，在这项工作中，我们提出了一种外推数据集缺失样本的方法，以更好地识别人类日常生活活动。所提出的方法高效地预处理数据采集，并利用 k-Nearest Neighbors (KNN) 插补技术来外推数据集采集中的缺失样本。所提出的方法优雅地外推出了与真实数据集中相似的活动模式。
引用
@article{arxiv.2007.04456,
title = {An Efficient Data Imputation Technique for Human Activity Recognition},
author = {Ivan Miguel Pires and Faisal Hussain and Nuno M. Garcia and Eftim Zdravevski},
journal= {arXiv preprint arXiv:2007.04456},
year = {2020}
}
备注
8 Pages, 8 Figures, 1 Table. Accepted in 14th Multi Conference on Computer Science and Information Systems 2020 (MCCSIS 2020)