基于可穿戴传感器的端到端神经网络架构与数据增强方法在婴儿运动功能自动评估中的比较
计算机视觉与模式识别
2021-07-05 v1 人机交互
摘要
利用智能可穿戴设备进行婴儿运动功能评估是一种颇具前景的婴儿神经生理发育评估新方法，其中高效的信号分析起着核心作用。本研究探讨了不同的端到端神经网络架构在处理来自可穿戴传感器的婴儿运动数据中的应用。我们关注替代性传感器编码器与时间序列建模模块及其组合的性能与计算负担。此外，我们探究了在理想与非理想记录条件下数据增强方法的益处。实验使用由近期提出的婴儿运动评估智能连体衣采集的7个月大婴儿多传感器运动记录数据集进行。结果表明，编码器模块的选择对分类器性能有重大影响。对于传感器编码器，最佳性能通过并行二维卷积实现传感器内通道融合且对所有传感器共享权重获得。结果还表明，在不严重损失分类器性能的前提下，可获得相对紧凑的传感器内特征提取表示。时间序列模型比较显示，带残差与跳跃连接的前馈膨胀卷积在性能、训练时间与训练稳定性上均优于所有基于RNN的模型。实验还表明，数据增强提升了模型在模拟丢包或传感器失效场景下的鲁棒性。特别是，基于信号与传感器丢失的增强策略在不影响基线性能的情况下带来了显著的性能提升。总体而言，结果为如何优化多通道运动传感器数据的端到端神经网络训练提供了切实建议。
引用
@article{arxiv.2107.01086,
title = {Comparison of end-to-end neural network architectures and data augmentation methods for automatic infant motility assessment using wearable sensors},
author = {Manu Airaksinen and Sampsa Vanhatalo and Okko Räsänen},
journal= {arXiv preprint arXiv:2107.01086},
year = {2021}
}