CoSS：协同优化传感器与采样率实现人类活动识别中的数据高效AI

近年来，人工神经网络的进步显著改善了使用多个时间序列传感器的人类活动识别。虽然使用大量高采样率传感器通常能改善结果，但往往导致数据效率低下和人工神经网络的不必要扩展，给其在边缘设备上的实际部署带来挑战。针对这些问题，我们的工作引入了一个实用的框架，用于人类活动识别任务中的数据高效利用，同时考虑传感器模态和采样率的优化。我们方法的核心是设计的可训练参数，称为“权重分数”，它在训练阶段评估每个传感器模态和采样率的重要性。这些分数指导传感器模态和采样率的选择。剪枝方法允许用户根据权重分数排名选择传感器模态和采样率，从而在计算预算和性能之间进行权衡。我们使用三个公开的人类活动识别基准数据集测试了框架在优化传感器模态和采样率选择方面的有效性。结果表明，通过CoSS选择的传感器和采样率组合实现了与使用所有传感器最高采样率的配置相似的分类性能，但硬件成本更低。