关注与判别：基于可穿戴传感器的人体活动识别超越现有最优方法
机器学习
2020-07-15 v1 人机交互
机器学习
摘要
可穿戴设备对于增进我们对人体活动的理解至关重要，尤其对于从康复到细粒度步态分析等日益增长的健康医疗应用。尽管我们利用可穿戴设备解决人体活动识别（HAR）问题的集体知识已随端到端深度学习范式取得巨大进展，若干基本机会仍被忽视。我们严谨地探索这些新机会，以学习丰富且高度判别性的活动表示。我们提出：i) 学习利用多通道传感器模态与特定活动之间的潜在关系；ii) 研究数据不可知增强对多模态传感器数据流的正则化效果以正则化深度 HAR 模型；iii) 引入分类损失准则，鼓励类内表示差异最小的同时最大化类间差异，从而获得更具判别性的特征。我们的贡献在四个不同的活动识别问题基准上以较大优势取得新 SOTA 性能——相对优势提升高达 6%。我们通过大量实验（包括活动错位度量、消融研究以及通过定量与定性研究给出的洞察）广泛验证了设计概念的贡献。
引用
@article{arxiv.2007.07172,
title = {Attend And Discriminate: Beyond the State-of-the-Art for Human Activity Recognition using Wearable Sensors},
author = {Alireza Abedin and Mahsa Ehsanpour and Qinfeng Shi and Hamid Rezatofighi and Damith C. Ranasinghe},
journal= {arXiv preprint arXiv:2007.07172},
year = {2020}
}
备注
15 pages, 7 figures