P2LHAP：基于可穿戴传感器的人体活动识别、分割与预测——一种Patch-to-Label Seq2Seq Transformer方法
计算机视觉与模式识别
2024-09-24 v3 人工智能
摘要
传统深度学习方法难以从传感器数据中同时分割、识别和预测人体活动。这限制了它们在医疗保健和辅助生活等许多领域的实用性，在这些领域中，实时理解正在进行和即将发生的活动至关重要。本文介绍了P2LHAP，一种新颖的Patch-to-Label Seq2Seq框架，它在一个高效的单任务模型中处理所有三项任务。P2LHAP将传感器数据流划分为一系列“patch”，作为输入令牌，并输出一系列patch级别的活动标签，包括预测的未来活动。提出了一种基于周围patch标签的独特平滑技术，以准确识别活动边界。此外，P2LHAP通过传感器信号通道无关的Transformer编码器和解码器学习patch级别的表示。所有通道在所有序列中共享嵌入和Transformer权重。在三个公开数据集上的评估表明，P2LHAP在所有三项任务上均显著优于现有技术，证明了其有效性和在实际应用中的潜力。
引用
@article{arxiv.2403.08214,
title = {P2LHAP:Wearable sensor-based human activity recognition, segmentation and forecast through Patch-to-Label Seq2Seq Transformer},
author = {Shuangjian Li and Tao Zhu and Mingxing Nie and Huansheng Ning and Zhenyu Liu and Liming Chen},
journal= {arXiv preprint arXiv:2403.08214},
year = {2024}
}