FLOW：用于跨用户 IMU 人体活动识别的全局与局部视图融合与混洗
计算机视觉与模式识别
2024-06-28 v1 人工智能
摘要
惯性测量单元（IMU）传感器因其便携性、能效以及日益增长的研究兴趣，广泛应用于人体活动识别（HAR）。然而，IMU-HAR 模型实现跨用户鲁健泛化性能仍面临重大挑战，这源于个体用户数据分布的显著差异。这种分布差异的主要原因在于 IMU 传感器数据以局部坐标系表示，这对 IMU 佩戴方式的细微用户差异高度敏感。为此，我们提出一种新方法，通过提取基于 IMU 数据特征的全局视图表示，有效缓解因佩戴方式导致的数据分布差异。为验证全局视图表示的有效性，我们将全局视图和局部视图数据输入模型进行实验。结果表明，跨用户实验中全局视图数据显著优于局部视图数据。进一步，我们提出一种基于混洗的多视图监督网络（MVFNet），有效融合局部视图和全局视图数据。通过视图划分和视图混洗，对每个视图的特征提取进行监督，以尽量避免模型忽视重要特征。在 OPPORTUNITY 和 PAMAP2 数据集上进行的大量实验表明，所提算法在跨用户 HAR 中超越当前的前沿方法。
引用
@article{arxiv.2406.18569,
title = {FLOW: Fusing and Shuffling Global and Local Views for Cross-User Human Activity Recognition with IMUs},
author = {Qi Qiu and Tao Zhu and Furong Duan and Kevin I-Kai Wang and Liming Chen and Mingxing Nie and Mingxing Nie},
journal= {arXiv preprint arXiv:2406.18569},
year = {2024}
}