基于图的对抗域泛化与解剖关联知识在跨用户人体活动识别中的应用
机器学习
2025-06-04 v1 人工智能
摘要
跨用户变异性对基于传感器的人体活动识别（HAR）系统构成了重大挑战，由于用户在行为、传感器放置和数据分布上的差异，传统模型难以在不同用户间进行泛化。为了解决这一问题，我们提出了 GNN-ADG（基于对抗域泛化的图神经网络），这是一种新颖的方法，利用图神经网络和对抗学习的优势来实现稳健的跨用户泛化。GNN-ADG 对不同解剖身体部位上的传感器之间的空间关系进行建模，提取了三种类型的解剖单元：(1) 互连单元，捕捉相邻传感器之间的相互关系；(2) 类似单元，将对称或功能相似的身体部位上的传感器进行分组；(3) 侧向单元，根据传感器的位置进行连接以捕捉特定区域的协调性。这些单元的信息被融合到一个统一的图结构中，并采用循环训练策略，动态整合空间、功能和侧向关联，以促进整体上用户无关的表示。GNN-ADG 的信息融合机制通过在训练期间迭代循环边缘拓扑来实现，使模型能够从不同视角细化对传感器间关系的理解。通过将传感器的空间配置表示为统一的图并结合对抗学习，信息融合 GNN-ADG 有效地学习了能够很好地泛化到未见用户的特征，而在训练期间不需要目标用户数据，这使其适用于实际应用。
引用
@article{arxiv.2506.01962,
title = {Graph-Based Adversarial Domain Generalization with Anatomical Correlation Knowledge for Cross-User Human Activity Recognition},
author = {Xiaozhou Ye and Kevin I-Kai Wang},
journal= {arXiv preprint arXiv:2506.01962},
year = {2025}
}