在偏移与不变性中：评估 HAR 深度学习模型对变异性的鲁棒性
人机交互
2025-03-17 v1 机器学习
信号处理
摘要
使用可穿戴惯性测量单元（IMU）传感器进行人体活动识别（HAR）可以通过实现持续健康监测、疾病预测和日常行为识别来彻底改变医疗保健。尽管深度学习（DL）HAR 模型具有很高的准确率，但由于它们主要在有限的实验室受限数据上进行训练和测试，其对真实世界变异性的鲁棒性仍未得到检验。在本研究中，我们分离了受试者、设备、位置和方向变异性，以确定它们对 DL HAR 模型的影响，并评估这些模型在真实世界条件下的鲁棒性。我们使用 HARVAR 和 REALDISP 数据集评估了 DL HAR 模型，全面讨论了变异性对数据分布偏移和模型性能变化的影响。我们的实验使用最大均值差异（MMD）测量了数据分布的偏移，并观察到由于变异性导致的 DL 模型性能下降。我们认同所研究的变异性对 DL HAR 模型的影响各不相同，并且数据分布偏移与模型性能之间存在反比关系。我们分析了变异性的复合效应，并强调了真实世界场景中变异性的影响。MMD 证明了是计算数据分布偏移的有效指标，并解释了 HARVAR 和 REALDISP 数据集中由于变异性导致的性能下降。将我们对变异性的理解与其影响的评估相结合，将有助于开发更鲁棒的 DL HAR 模型和最佳训练技术。使得未来的模型不仅可以根据其最高 F1 分数进行评估，还可以根据其有效泛化的能力进行评估。
引用
@article{arxiv.2503.11466,
title = {In Shift and In Variance: Assessing the Robustness of HAR Deep Learning Models against Variability},
author = {Azhar Ali Khaked and Nobuyuki Oishi and Daniel Roggen and Paula Lago},
journal= {arXiv preprint arXiv:2503.11466},
year = {2025}
}