从最优处学习：面向可穿戴活动识别的跨传感器位置对比表示学习
机器学习
2022-10-05 v1 信号处理
摘要
我们解决了可穿戴活动识别中一个众所周知的问题，即由于可穿戴性/可用性的考量（例如，因大多数智能手表内置了腕戴式 IMU 而不得不使用它们），必须使用在提供的信息方面非最优的传感器。为缓解该问题，我们提出了一种方法，其有助于利用仅在训练过程中存在、而在系统后续使用时不可用的传感器信息。该方法通过对比损失将源传感器的信息迁移到目标传感器数据的潜在表示中，该对比损失在联合训练时与分类损失相结合。我们在知名的 PAMAP2 和 Opportunity 基准上针对不同的源与目标传感器组合评估了该方法，结果显示平均（所有活动上）F1 分数提升了 5% 至 13%，而单个活动的提升（尤其那些非常适于从额外信息中获益的活动）高达 20% 至 40%。
引用
@article{arxiv.2210.01459,
title = {Learning from the Best: Contrastive Representations Learning Across Sensor Locations for Wearable Activity Recognition},
author = {Vitor Fortes Rey and Sungho Suh and Paul Lukowicz},
journal= {arXiv preprint arXiv:2210.01459},
year = {2022}
}
备注
Presented at Ubicomp/ISWC 2022