基于佩戴式 IMU 传感器的资源高效分层活动识别 EgoCHARM
计算机视觉与模式识别
2025-04-25 v1 机器学习
摘要
佩戴式活动识别在智能眼镜上具有多种用途，包括健康/运动跟踪和用于上下文感知 AI 助手的输入。然而，当前的佩戴式活动识别方法要么性能不佳，要么资源消耗大。本文介绍了一种资源（内存、计算、功耗、样本）高效的机器学习算法 EgoCHARM，用于识别使用单个佩戴式（头戴式）惯性测量单元 (IMU) 的高层次和低层次活动。我们的分层算法采用半监督学习策略，主要需要高层次活动标签进行训练，以学习可有效用于低层次活动识别的通用低层次运动嵌入。我们在 9 个高层次和 3 个低层次活动上进行评估，在高层次和低层次活动识别分别获得 0.826 和 0.855 的 F1 分数，仅使用 63k 个高层次和 22k 个低层次模型参数，允许低层次编码器直接部署在当前 IMU 芯片上进行计算。最后，我们呈现敏感性分析的结果和见解，并强调使用佩戴式 IMU 进行活动识别的机会和局限性。
引用
@article{arxiv.2504.17735,
title = {EgoCHARM: Resource-Efficient Hierarchical Activity Recognition using an Egocentric IMU Sensor},
author = {Akhil Padmanabha and Saravanan Govindarajan and Hwanmun Kim and Sergio Ortiz and Rahul Rajan and Doruk Senkal and Sneha Kadetotad},
journal= {arXiv preprint arXiv:2504.17735},
year = {2025}
}