基于辅助用户检测的对比学习用于活动识别

人体活动识别（HAR）在普适计算中至关重要，具有深远的现实应用。尽管近期最先进的HAR研究展现了令人瞩目的性能，但一些关键方面仍未得到充分探索。首先，HAR既高度情境化又高度个性化。然而，先前的工作主要集中在情境感知（CA）上，而很大程度上忽略了用户感知（UA）的必要性。我们认为，在HAR任务中，解决用户先天行为执行差异的影响与考虑外部情境环境设置同等重要。其次，用户感知使模型能够识别用户差异，但并不一定能保证消除这些差异，即对相同活动做出统一的预测。需要一种能够明确强制表示更接近（不同用户，相同活动）的方法。为弥补这一差距，我们引入了CLAUDIA，一个旨在解决这些问题的全新框架。具体来说，我们通过在CA-HAR框架内集成用户识别（UI）来扩展CA-HAR任务的情境范围，在一个称为用户与情境感知HAR（UCA-HAR）的新任务中联合预测CA-HAR和UI。这种方法通过联合学习用户不变和用户特定的模式，丰富了个性化和情境理解。受视觉领域最先进设计的启发，我们在实例-实例对上引入了监督对比损失目标，以增强模型效能并改善学习到的特征质量。在三个真实世界的CA-HAR数据集上的评估显示，性能显著提升，马修斯相关系数平均提高5.8%至14.1%，宏F1分数平均提高3.0%至7.2%。