用于可穿戴人类活动识别的自监督学习技术比较
信号处理
2024-04-25 v1 人机交互
摘要
基于移动/可穿戴设备传感器的人类活动识别 (HAR) 旨在检测人类在日常生活中执行的物理活动。尽管监督学习方法在此任务中最有效，但其有效性受限于训练期间使用的大量标注数据。虽然收集原始未标注数据相对容易，但由于成本、侵入性和时间限制，标注数据具有挑战性。为了应对这些挑战，本文探索了使用有限标注数据进行准确 HAR 的替代方法。具体而言，我们将最近的自监督学习 (SSL) 算法适配到 HAR 领域，并比较了它们的有效性。我们研究了不同系列的三种最先进的 SSL 技术：对比式、生成式和预测式。此外，我们通过比较最先进的 CNN 和 Transformer 架构来评估底层神经网络对识别率的影响。我们的结果表明，掩码自编码器 (MAE) 方法显著优于其他 SSL 方法，包括在 HAR 领域通常被认为是性能最佳的 SSL 方法之一的 SimCLR。代码和预训练的 SSL 模型已公开提供，以供进一步研究和开发。
引用
@article{arxiv.2404.15331,
title = {Comparing Self-Supervised Learning Techniques for Wearable Human Activity Recognition},
author = {Sannara Ek and Riccardo Presotto and Gabriele Civitarese and François Portet and Philippe Lalanda and Claudio Bettini},
journal= {arXiv preprint arXiv:2404.15331},
year = {2024}
}