面向多传感器可穿戴人体活动识别的类感受器时空信号分解与融合
计算机视觉与模式识别
2025-04-28 v2 人工智能
人机交互
摘要
可穿戴人体活动识别（Wearable Human Activity Recognition, WHAR）是 ubiquitous 计算领域的热门研究方向。多传感器同步测量已被证明比单一传感器更有效。然而，现有方法在每个传感器变量上使用共享卷积核进行不加区分的时间特征提取，无法有效捕获类感受器内变量和类感受器间变量的时空关系。我们提出了 DecomposeWHAR 模型，包含分解阶段和融合阶段，以更好地建模变量之间的关系。分解阶段通过改进的深度可分离卷积为每个类感受器变量创建高维表示，以捕获局部时间特征，同时保留其独特特征。融合阶段首先捕获类感受器变量之间的关系，并在通道和变量水平上融合其特征。使用状态空间模型（State Space Model, SSM）建模长程时间依赖性，随后通过自注意力机制动态捕获类感受器间的相互作用，凸显类感受器空间相关性。我们的模型在三个广泛使用的 WHAR 数据集上表现出色，显著优于最先进的模型，同时保持可接受的计算效率。
引用
@article{arxiv.2501.10917,
title = {Decomposing and Fusing Intra- and Inter-Sensor Spatio-Temporal Signal for Multi-Sensor Wearable Human Activity Recognition},
author = {Haoyu Xie and Haoxuan Li and Chunyuan Zheng and Haonan Yuan and Guorui Liao and Jun Liao and Li Liu},
journal= {arXiv preprint arXiv:2501.10917},
year = {2025}
}