DeepConvContext：人体活动识别中时间序列分类的多尺度方法
机器学习
2025-05-28 v1 人机交互
图像与视频处理
摘要
尽管在建模长程时间依赖性方面存在公认的局限性，人体活动识别（HAR）传统上仍依赖滑动窗口方法来分割带标签的数据集。像 DeepConvLSTM 这样的深度学习模型通常独立地对每个窗口进行分类，从而将可学习的时间上下文限制在窗口内信息中。为了解决这一限制，我们提出了 DeepConvContext，一个用于 HAR 的多尺度时间序列分类框架。受基于视觉的时序动作定位社区的启发，DeepConvContext 通过处理按时间排序的窗口序列，对窗口内和窗口间的时间模式进行建模。与结合注意力机制的近期 HAR 模型不同，DeepConvContext 完全依赖 LSTM——消融研究表明，在建模惯性传感器数据方面，LSTM 优于基于注意力的变体。在六个广泛使用的 HAR 基准上，DeepConvContext 的 F1 分数平均比经典 DeepConvLSTM 提高 10%，最高提升达 21%。用于复现我们实验的代码已在 github.com/mariusbock/context_har 上公开提供。
引用
@article{arxiv.2505.20894,
title = {DeepConvContext: A Multi-Scale Approach to Timeseries Classification in Human Activity Recognition},
author = {Marius Bock and Michael Moeller and Kristof Van Laerhoven},
journal= {arXiv preprint arXiv:2505.20894},
year = {2025}
}
备注
7 pages, 3 figures