HAR-GCNN：基于深度图CNN从高度未标注移动传感器数据中进行人类活动识别
计算机视觉与模式识别
2022-05-10 v1 人工智能
人机交互
机器学习
摘要
基于移动传感器数据的人类活动识别问题适用于多个领域，如健康监测、个人健身、日常生活记录和老年护理。训练人类活动识别模型的一个关键挑战是数据质量。获取包含准确活动标签的平衡数据集需要人类正确标注并可能实时干扰受试者的正常活动。尽管可能存在错误标注或缺失标注，人类行为往往具有内在的时间顺序。例如，我们在锻炼后洗澡。这种隐式时间顺序可用于学习未知标签并对未来活动进行分类。在这项工作中，我们提出HAR-GCCN，一种深度图CNN模型，它利用时间上相邻的传感器测量值之间的相关性，为至少具有一个活动标签的未分类活动预测正确标签。我们提出了一种新的训练策略，强制模型通过利用已知标签来预测缺失的活动标签。HAR-GCCN相对于先前使用的基线方法表现出更优的性能，在不同数据集上分类准确率提高了约25%乃至高达68%。代码可在 \url{https://github.com/abduallahmohamed/HAR-GCNN} 获取。
引用
@article{arxiv.2203.03087,
title = {HAR-GCNN: Deep Graph CNNs for Human Activity Recognition From Highly Unlabeled Mobile Sensor Data},
author = {Abduallah Mohamed and Fernando Lejarza and Stephanie Cahail and Christian Claudel and Edison Thomaz},
journal= {arXiv preprint arXiv:2203.03087},
year = {2022}
}