DynImp：基于传感与时间相关性的可穿戴传感数据动态插补
信号处理
2022-10-03 v1 机器学习
摘要
在可穿戴传感应用中，数据不可避免地存在不规则采样或部分缺失，这给任何下游应用带来挑战。可穿戴数据的一个独特之处在于其为时间序列数据，且各通道之间可能存在相关性，例如加速度计的 x、y、z 轴。我们认为传统方法很少同时利用数据的时间序列动态以及来自不同传感器的特征相关性。我们提出一种称为 DynImp 的模型，沿特征轴利用最近邻处理不同时间点的缺失，然后将数据输入基于 LSTM 的去噪自编码器，以沿时间轴重建缺失值。我们在极端缺失场景（缺失率 ）下实验该模型，该场景在可穿戴数据中尚未被广泛测试。我们在活动识别上的实验表明，该方法能利用相关传感器的多模态特征，并从历史时间序列动态中学习，以在极端缺失下重建数据。
引用
@article{arxiv.2209.15415,
title = {DynImp: Dynamic Imputation for Wearable Sensing Data Through Sensory and Temporal Relatedness},
author = {Zepeng Huo and Taowei Ji and Yifei Liang and Shuai Huang and Zhangyang Wang and Xiaoning Qian and Bobak Mortazavi},
journal= {arXiv preprint arXiv:2209.15415},
year = {2022}
}
备注
5 pages, 2 figures, accepted in ICASSP'2022