结合自注意力的深度 ConvLSTM 用于可穿戴设备人体活动解码
人机交互
2020-12-21 v2 机器学习
信号处理
摘要
从可穿戴传感器准确解码人体活动可辅助医疗健康和情境感知等相关应用。该领域现有方法使用循环和/或卷积模型来捕捉来自多个传感器的时间序列数据中的时空特征。我们提出了一种深度神经网络架构，它不仅捕捉多个传感器时间序列数据的时空特征，还利用自注意力机制选择并学习重要时间点。我们在六个公开数据集上针对不同数据采样策略验证了所提方法的有效性，并证明自注意力机制相比结合循环与卷积网络的深度网络在性能上有显著提升。我们还表明，在所测试的数据集上，所提方法相较先前最先进的方法取得了统计显著的性能提升。所提方法为在较长时间内从多个身体传感器更好地解码人体活动开辟了途径。所提模型的代码实现可在 https://github.com/isukrit/encodingHumanActivity 获取。
引用
@article{arxiv.2005.00698,
title = {Deep ConvLSTM with self-attention for human activity decoding using wearables},
author = {Satya P. Singh and Aimé Lay-Ekuakille and Deepak Gangwar and Madan Kumar Sharma and Sukrit Gupta},
journal= {arXiv preprint arXiv:2005.00698},
year = {2020}
}
备注
8 pages, 2 figures, 3 tables. IEEE Sensors Journal, 2020