基于对抗域的解剖学图网络用于跨用户人体活动识别
机器学习
2025-05-13 v1 人工智能
人机交互
摘要
人体活动识别（HAR）中的跨用户差异性仍是一个关键挑战，由于传感器位置、生物力学差异和行为模式的不同，传统方法往往无法捕捉跨用户持续存在的生物力学不变量，从而限制了其泛化能力。我们提出了一种基于边缘增强的图神经网络对抗域泛化（EEG-ADG）框架，将解剖学相关知识整合到统一的图神经网络（GNN）架构中。通过对三种生物力学驱动的关系进行建模——相互关联单元、类似单元和侧向单元——该方法在编码域不变特征的同时，通过变分边缘特征提取器解决用户特定的变异性问题。梯度反转层（GRL）强制对抗性域泛化，确保对未见用户的鲁棒性。在OPPORTUNITY和DSADS数据集上的大量实验表明，本方法实现了最先进的性能。我们的工作将生物力学原理与图基对抗学习相结合，通过整合信息融合技术，构建了统一且通用的跨用户HAR模型。
引用
@article{arxiv.2505.06301,
title = {Domain-Adversarial Anatomical Graph Networks for Cross-User Human Activity Recognition},
author = {Xiaozhou Ye and Kevin I-Kai Wang},
journal= {arXiv preprint arXiv:2505.06301},
year = {2025}
}