解构不完美：一种小波注入的多级异构网络用于有缺陷的可穿戴传感器数据中的人体活动识别

可穿戴设备的普及和扩散为基于传感器的人体活动识别提供了新的机遇，该识别利用基于深度学习的算法。尽管取得了令人瞩目的进展，但仍存在两大挑战。首先，由于传感器放置和其他问题以及数据传输失败，传感器数据通常不完整或有噪声，需要对缺失值进行插补，这也会引入噪声。其次，人体活动具有多尺度特性。因此，不同人群甚至同一个人在不同情况下可能表现出不同的行为。为了解决这些挑战，我们提出了一种多级异构神经网络，称为MHNN，用于传感器数据分析。我们利用多级离散小波分解从传感器数据中提取多分辨率特征。这能够区分不同频率的信号，从而抑制噪声。由于分解产生的分量是异构的，我们为所提模型配备了异构特征提取器，使其能够学习多尺度特征。由于这些特征的互补性，我们还包含了一个交叉聚合模块来增强它们的交互。使用七个公开数据集的实验研究表明，MHNN可以优于其他最先进的模型，并且对缺失值和噪声具有鲁棒性。消融研究证实了每个模块的重要性。