CLAD-Net：多传感器可穿戴系统中的持续活动识别
机器学习
2026-03-10 v2
摘要
深度学习的兴起极大地推动了使用可穿戴传感器进行人类行为监测，特别是人类活动识别（HAR）。尽管深度模型已被广泛研究，但大多数都假设数据分布是平稳的——这一假设在现实场景中常常不成立。例如，来自一个受试者的传感器数据可能与另一个受试者的数据显著不同，从而导致分布偏移。在持续学习中，这种偏移被构建为一系列任务，每个任务对应一个新的受试者。这种设置会遭受灾难性遗忘，即在学习新任务时，先前知识会退化。这一挑战因人类研究中标注数据的稀缺和不一致性而更加严峻。为了解决这些问题，我们提出了 CLAD-Net（带有注意力与蒸馏的持续学习），这是一个使可穿戴传感器模型能够持续更新而不牺牲过去任务性能的框架。CLAD-Net 集成了一个自监督 Transformer，作为长期记忆，与一个通过知识蒸馏训练用于活动分类的有监督卷积神经网络（CNN）相结合。Transformer 通过跨身体佩戴传感器的交叉注意力捕捉全局活动模式，无需标签即可学习可泛化的表示。同时，CNN 利用知识蒸馏在按受试者微调期间保留先前知识。在 PAMAP2 数据集上，CLAD-Net 达到了 91.36% 的最终准确率，而遗忘率仅为 8.78%，超越了基于记忆和基于正则化的基线方法，如经验回放和弹性权重巩固。在仅有 10-20% 标注数据的半监督设置下，CLAD-Net 仍能提供强大的性能，展示了其对标签稀缺的鲁棒性。消融研究进一步验证了每个模块的贡献。
引用
@article{arxiv.2509.23077,
title = {CLAD-Net: Continual Activity Recognition in Multi-Sensor Wearable Systems},
author = {Reza Rahimi Azghan and Gautham Krishna Gudur and Mohit Malu and Edison Thomaz and Giulia Pedrielli and Pavan Turaga and Hassan Ghasemzadeh},
journal= {arXiv preprint arXiv:2509.23077},
year = {2026}
}