基于图神经网络深度迁移学习的传感器人体活动识别
计算机视觉与模式识别
2023-01-09 v1 人机交互
机器学习
摘要
移动应用场景下基于传感器的人体活动识别（HAR）常面临传感器模态变化与标注数据匮乏的问题。鉴于此，我们设计了一种受图启发的深度学习方法用于基于传感器的HAR任务，并进一步构建深度迁移学习模型，以对这两个挑战性问题给出试探性解决方案。具体而言，我们提出一种包含多层残差结构的图卷积神经网络（ResGCNN）用于基于传感器的HAR任务，即HAR-ResGCNN方法。在PAMAP2和mHealth数据集上的实验结果表明，我们的ResGCNN能有效捕捉动作特征，与其他基于传感器的HAR模型相比结果相当（平均准确率分别为98.18%和99.07%）。更重要的是，使用ResGCNN模型的深度迁移学习实验展现出优异的可迁移性与少样本学习性能。该基于图的框架显示出良好的元学习能力，有望成为基于传感器的HAR任务中的一种可行方案。
引用
@article{arxiv.2203.07910,
title = {Deep Transfer Learning with Graph Neural Network for Sensor-Based Human Activity Recognition},
author = {Yan Yan and Tianzheng Liao and Jinjin Zhao and Jiahong Wang and Liang Ma and Wei Lv and Jing Xiong and Lei Wang},
journal= {arXiv preprint arXiv:2203.07910},
year = {2023}
}