基于可穿戴设备的人体活动识别中自监督学习现状评估

基于可穿戴设备的人体活动识别（HAR）领域中自监督学习的出现，为应对该领域最紧迫的挑战提供了机遇，即利用无标注数据，在仅能收集少量标注训练样本的场景中推导可靠的识别系统。因此，自监督——即“预训练然后微调”的范式——有潜力成为主流端到端训练方法乃至经典活动识别链中手工特征的强有力替代方案。近来已有若干研究将自监督学习引入 HAR 领域，包括多任务自监督、掩码重建、CPC 和 SimCLR 等，仅举数例。随着这些方法的初步成功，现在是对自监督学习在该领域的潜力进行系统梳理和分析的时候了。本文正是提供了这样的工作。我们通过引入一个从多维度探究模型性能的框架来评估自监督 HAR 研究的进展。我们将该框架组织为三个维度，每个维度包含三项构成标准，使得每个维度捕捉性能的特定方面，包括对不同源和目标条件的鲁棒性、数据集特征的影响以及特征空间特征。我们利用该框架评估了七种最先进的 HAR 自监督方法，从而对这些技术的特性形成见解，并确立其在面向多样场景学习表征方面的价值。