基于时序关系最优传输的跨用户活动识别

当前人类活动识别（HAR）研究主要假设训练与测试数据来自相同分布以获得泛化模型，即所有数据被视为独立同分布（$i.i.d.$）。在许多实际应用中，这一假设并不成立，采集的训练与目标测试数据集具有非均匀分布，例如跨用户HAR场景。领域自适应是跨用户HAR任务的一种有前景的方法。现有领域自适应工作基于各域样本为$i.i.d.$的假设，且未考虑时间序列数据中隐藏的时序关系知识来对齐数据分布。这一强$i.i.d.$假设可能不适用于时间序列相关的领域自适应方法，因为通过时间序列分割和特征提取技术形成的样本仅是对各域$i.i.d.$假设的粗略近似。本文提出时序关系最优传输（TROT）方法，利用时序关系并放宽各域样本的$i.i.d.$假设，以实现准确高效的知识迁移。我们通过隐马尔可夫模型（HMM）和最优传输（OT）技术获取时序关系表示并实现活动的时序关系对齐。此外，提出一种保留时序关系顺序信息的新正则化项以改进最优传输映射，从而增强领域自适应性能。在三个公开活动识别数据集（OPPT、PAMAP2和DSADS）上的综合实验表明，TROT优于其他最先进方法。