集成多样假设与知识蒸馏用于无监督跨受试者自适应
机器人学
2022-04-18 v1 人工智能
机器学习
摘要
识别人体运动意图和活动对于在复杂环境中行走时控制可穿戴机器人十分重要。然而，人机接口信号通常依赖于用户，这导致在源受试者上训练的分类器在新受试者上表现不佳。为解决此问题，本文设计了集成多样假设与知识蒸馏（EDHKD）方法以实现无监督跨受试者自适应。EDH 缓解源受试者的标注数据与目标受试者的无标注数据之间的分歧，从而无需标注数据即可准确分类目标受试者的运动模式。与先前基于单一学习器的域自适应方法（可能仅从输入信号中学习到特征子集）相比，EDH 可通过结合多个多样特征生成器来学习多样特征，从而提高分类目标数据的准确率并降低方差，但牺牲了效率。为解决该问题，EDHKD（学生）从 EDH（教师）中将知识蒸馏到单一网络以保持高效且准确。EDHKD 的性能在理论上得到证明，并在 2D moon 数据集和两个公开人体运动数据集上经实验验证。实验结果表明 EDHKD 优于所有其他方法。EDHKD 在上述三个数据集上分别以较短计算时间（1 ms）取得 96.9%、94.4% 和 97.4% 的平均准确率对目标数据进行分类。与基准（BM）方法相比，EDHKD 在分类目标受试者运动模式上提高了 1.3% 和 7.1% 的平均准确率。EDHKD 还稳定了学习曲线。因此，EDHKD 对提高人体意图预测和人体活动识别系统的泛化能力与效率具有重要意义，这将改善人机交互。
引用
@article{arxiv.2204.07308,
title = {Ensemble diverse hypotheses and knowledge distillation for unsupervised cross-subject adaptation},
author = {Kuangen Zhang and Jiahong Chen and Jing Wang and Xinxing Chen and Yuquan Leng and Clarence W. de Silva and Chenglong Fu},
journal= {arXiv preprint arXiv:2204.07308},
year = {2022}
}
备注
This preprint was submitted to Information Fusion on December 20, 2021 and is under review