超越欧氏空间之门：基于时间判别融合与注意力图神经网络的人体活动识别
机器学习
2022-06-13 v1 信号处理
摘要
通过可穿戴设备的人体活动识别（HAR）因其在健身追踪、健康筛查和辅助生活等方面的众多应用而备受关注。因此，该领域涌现了大量工作。传统深度学习（DL）已在 HAR 领域达到最先进的性能。然而，它忽略了数据的结构以及连续时间戳之间的关联。为克服这一限制，我们提出了一种基于图神经网络（GNN）的方法，用于结构化输入表示并利用样本间的关系。然而，即便使用简单的图卷积网络来弥补这一不足，仍存在若干限制因素，如类间活动问题、类别分布偏斜以及缺乏对传感器数据优先级的考量，这些均损害了 HAR 模型的性能。为提升当前 HAR 模型的性能，我们在图结构框架内探索新的可能性，以实现高判别性且丰富的活动特征。我们提出一个模型：（1）时间序列-图模块，将 HAR 数据集的原始数据转换为图；（2）图卷积神经网络（GCN），用于发现相邻节点间的局部依赖与相关关系；（3）自注意力 GNN 编码器，用于识别传感器交互与数据优先级。据我们所知，这是 HAR 领域首个引入基于 GNN 且融合 GCN 与注意力机制的方案。通过采用统一评估方法，我们的框架在医院患者活动数据集上相较其他最先进基线方法显著提升了性能。
引用
@article{arxiv.2206.04855,
title = {Beyond the Gates of Euclidean Space: Temporal-Discrimination-Fusions and Attention-based Graph Neural Network for Human Activity Recognition},
author = {Nafees Ahmad and Savio Ho-Chit Chow and Ho-fung Leung},
journal= {arXiv preprint arXiv:2206.04855},
year = {2022}
}