利用时序关系信息的深度领域自适应跨用户活动识别

人类活动识别（HAR）是普适计算的基石，在健康监测和环境辅助生活等多个领域具有广阔的应用前景。尽管取得了显著进展，基于传感器的HAR方法通常假设训练和测试数据具有相同的分布。然而，在许多实际场景中，特别是在基于传感器的HAR中，这一假设因分布外（$o.o.d.$）挑战而失效，这些挑战包括异构传感器差异、随时间变化以及个体行为变异性。本文聚焦于后者，探索因个体间行为变异性导致数据分布不同的跨用户HAR问题。为应对这一挑战，我们提出深度时序状态领域自适应（DTSDA）模型，这是一种专为跨用户HAR中时间序列领域自适应设计的创新方法。与现有领域自适应方法中常见的样本独立性假设相反，DTSDA识别并利用数据中固有的时序关系。因此，我们引入“时序状态”概念，定义一项活动中不同用户间一致的子活动。我们通过“时序一致性”属性确保这些子活动遵循逻辑时间顺序，并提出“伪时序状态标注”方法来识别用户不变的时序关系。此外，DTSDA的设计原则融合了对抗学习以实现更好的领域自适应。在三个HAR数据集上的综合评估表明，DTSDA通过利用跨子活动的时序关系弥合个体行为变异性，在跨用户HAR应用中展现出卓越性能。