基于深度三元组嵌入的个性化活动识别
机器学习
2020-01-17 v1 机器学习
摘要
监督学习方法用于惯性人体活动识别的一个重大挑战是不同个体用户间数据的异质性，导致非个性化算法对某些受试者表现很差。我们提出一种基于全卷积神经网络导出的深度嵌入的个性化活动识别方法。我们尝试使用分类交叉熵损失和三元组损失来训练嵌入，并描述了一种基于受试者三元组的新型三元组损失函数。我们在三个公开可用的惯性人体活动识别数据集（MHEALTH、WISDM 和 SPAR）上评估这些方法，比较分类准确率、分布外活动检测和对新活动的嵌入泛化能力。新型受试者三元组损失总体提供最佳性能，且所有个性化深度嵌入均优于我们的基线个性化工程特征嵌入和一个非个性化全卷积神经网络分类器。
引用
@article{arxiv.2001.05517,
title = {Personalized Activity Recognition with Deep Triplet Embeddings},
author = {David M. Burns and Cari M. Whyne},
journal= {arXiv preprint arXiv:2001.05517},
year = {2020}
}