通过时频联合图像编码增强可穿戴传感器数据的深度学习适配性
计算机视觉与模式识别
2023-07-04 v1 人工智能
摘要
深度学习的进展在许多领域（包括计算机视觉）中彻底改变了可扩展分类。然而，在基于可穿戴设备的分类与域适配方面，现有的基于计算机视觉的深度学习架构以及使用数千张标注图像训练数月的预训练模型表现不佳。这主要是因为可穿戴传感器数据需要特定的传感器预处理、架构修改和大量的数据收集。为克服这些挑战，研究者提出了利用递归图将可穿戴时序传感器数据编码为图像。本文提出了一种新颖的基于改进递归图的图像表示，可无缝融合时域与频域信息。我们的方法将一种高效的基于傅里叶变换的频域角差估计方案与现有的时域递归图图像相结合。此外，我们采用 mixup 图像增强来提升该表示。我们使用基于加速度计的活动识别数据与预训练 ResNet 模型评估所提方法，并证明其相对于现有方法的优越性能。
引用
@article{arxiv.2307.00883,
title = {Augmenting Deep Learning Adaptation for Wearable Sensor Data through Combined Temporal-Frequency Image Encoding},
author = {Yidong Zhu and Md Mahmudur Rahman and Mohammad Arif Ul Alam},
journal= {arXiv preprint arXiv:2307.00883},
year = {2023}
}
备注
Under review in IEEE-EMBS International Conference on Body Sensor Networks: Sensor and Systems for Digital Health (IEEE BSN 2023)