基于时间注意力的深度生成域适应用于跨用户活动识别

在人类活动识别（HAR）中，主要假设是用于训练和评估的数据来自相同的分布，并且所有数据样本都是独立同分布的（i.i.d.）。然而，实际应用往往挑战这一假设，表现为数据分布差异，尤其是在跨用户 HAR 场景中。域适应是解决跨用户 HAR 任务中固有挑战的有前景的 method。然而，域适应技术之间存在明显的空白，忽略了在对齐数据分布过程中嵌入于时间序列数据中的时间关系。为此，我们的研究提出了深度生成域适应与时间注意力方法（Deep Generative Domain Adaptation with Temporal Attention, DGDATA）。该新方法独特地识别并整合了在域适应过程中所包含的时序关系。通过将生成模型的能力与时序关系注意力机制相结合，我们的方法提高了跨用户 HAR 中的分类性能。对该方法的有效性进行了全面评估，基于三个公开的基于传感器的 HAR 数据集，针对不同的场景和应用进行了测试，以证明所提出 DGDATA 方法的有效性。