面向基于可穿戴设备的人类活动识别的解耦行为模式学习
机器学习
2022-02-16 v1 人机交互
摘要
在基于可穿戴设备的人类活动识别（HAR）研究中，主要挑战之一是类内差异大的问题。所采集的活动信号通常（即便不是总是）与由个人、环境或其他因素引起的噪声或偏置相耦合，使得难以学习对HAR任务有效的特征，尤其在数据不足时。为解决此问题，本文提出一种行为模式解耦（BPD）框架，可将行为模式与无关噪声（如个人风格或环境噪声等）解耦。基于解耦网络，我们设计了若干损失函数并采用对抗训练策略进行优化，从而能在特征空间中以（它们之间）最小的依赖性将活动信号与无关噪声解耦。我们的BPD框架灵活，可用在现有深度学习（DL）方法之上进行特征精炼。我们在四个公开HAR数据集上进行了大量实验，所提BPD方案的良好结果表明了其灵活性与有效性。这是一个开源项目，代码可在 http://github.com/Jie-su/BPD 获取。
引用
@article{arxiv.2202.07260,
title = {Learning Disentangled Behaviour Patterns for Wearable-based Human Activity Recognition},
author = {Jie Su and Zhenyu Wen and Tao Lin and Yu Guan},
journal= {arXiv preprint arXiv:2202.07260},
year = {2022}
}
备注
Accepted to ACM IMWUT 2022