“填补空白”：识别构成复杂日常人类活动的微活动
人机交互
2024-02-09 v2 机器学习
摘要
复杂的日常活动（ADLs）通常由多个微活动组成。当按顺序执行时，这些微活动帮助用户完成宽泛的宏观活动。自然地，对这些微活动的深入理解有助于开发更精细的人类活动识别（HAR）模型，并为其推断结论增加可解释性。先前的研究试图利用细粒度标注数据来实现这一点，这些数据提供了将微活动关联以识别宏观活动所需的监督和规则。然而，这种“自下而上”的方法不切实际，因为获取此类高质量、细粒度标注的传感器数据集具有挑战性、成本高且耗时。鉴于此，本文我们开发了 AmicroN，它采用“自上而下”的方法，利用粗粒度标注数据在无需任何外部监督的情况下将宏观活动扩展为其组成的微活动。在后端，AmicroN 使用无监督变更点检测来搜索复杂 ADL 中的微活动边界，然后应用广义零样本方法对其进行刻画。我们在两个真实公开的可用数据集上评估 AmicroN，观察到 AmicroN 对两个数据集的微 F₁ 分数均大于 0.75。此外，我们还进行了初步的概念验证，利用 AmicroN 预测的属性嵌入与最先进的（SOTA）大语言模型（LLMs）相结合，进一步增强围绕微活动检测的可解释性。
引用
@article{arxiv.2306.13149,
title = {"Filling the Blanks'': Identifying Micro-activities that Compose Complex Human Activities of Daily Living},
author = {Soumyajit Chatterjee and Bivas Mitra and Sandip Chakraborty},
journal= {arXiv preprint arXiv:2306.13149},
year = {2024}
}
备注
23 pages, 4 tables, 7 figures