Conditional-UNet：一种用于可穿戴设备连贯人体活动识别的条件感知深度模型
信号处理
2020-04-21 v1 人机交互
机器学习
摘要
从可穿戴传感器采集的多通道时间序列数据中识别人类活动正变得日益实用。然而，在现实条件下，连贯的活动和身体运动可能同时发生，例如在行走或坐着时移动头部。一个被称为“连贯人体活动识别”的新问题比常规多类分类任务更为复杂，因为不同运动的信号相互混合并产生干扰。另一方面，我们将此类 Co-HAR 视为密集标注问题，即在每个时间步上为每个样本分配一个标签，从而为应用提供高保真且时长多样的支持。在本文中，我们开发了一种新颖的条件感知深度架构“Conditional-UNet”，以实现对 Co-HAR 问题的密集标注。我们还贡献了首个 Co-HAR 数据集，用于在行走或坐着条件下进行头部运动识别，以供未来研究之用。在头部手势识别上的实验表明，我们的模型在 F1 分数上比现有 SOTA 深度方法总体提升了 2%-3%，更重要的是，在实际头部手势类别上实现了系统且全面的改进。
引用
@article{arxiv.2004.09376,
title = {Conditional-UNet: A Condition-aware Deep Model for Coherent Human Activity Recognition From Wearables},
author = {Liming Zhang},
journal= {arXiv preprint arXiv:2004.09376},
year = {2020}
}