使用可穿戴设备进行活动识别的深度 LSTM 学习器集成
机器学习
2018-09-03 v1 人工智能
计算机视觉与模式识别
摘要
最近，深度学习 (DL) 方法已被非常成功地引入到普适和可穿戴计算中的人类活动识别 (HAR) 场景中。尤其是克服对人工特征设计需求的前景结合卓越的分类能力，使得深度神经网络对现实生活中的 HAR 应用极具吸引力。尽管基于 DL 的方法现在已在多个该领域的识别任务中超越了 SOTA，但仍存在重大挑战。最突出的是，现实生活数据集的问题（通常包括数据集不平衡和数据质量存在问题）仍然限制了使用可穿戴设备进行活动识别的有效性。在本文中，我们通过深度长短期记忆网络 (LSTM) 的集成来解决这些挑战。我们开发了修改后的 LSTM 网络训练程序，并将多样化的 LSTM 学习器集合组合成分类器群体。我们从形式上和经验上证明，深度 LSTM 学习器集成优于单个 LSTM 网络。通过对三个标准基准 (Opportunity, PAMAP2, Skoda) 的广泛实验评估，我们展示了我们方法出色的识别能力及其在现实生活人类活动识别应用中的潜力。
引用
@article{arxiv.1703.09370,
title = {Ensembles of Deep LSTM Learners for Activity Recognition using Wearables},
author = {Yu Guan and Thomas Ploetz},
journal= {arXiv preprint arXiv:1703.09370},
year = {2018}
}
备注
accepted for publication in ACM IMWUT (Ubicomp) 2017