基于邻近度的流式数据主动学习：个性化进食时刻识别
机器学习
2020-03-31 v1 计算机视觉与模式识别
摘要
检测进食发生的时间是实现自动膳食监测、用药依从性评估和饮食相关健康干预的关键步骤。可穿戴技术通过利用处理时间序列传感器数据的机器学习算法来检测进食时刻，在设计无侵扰饮食监测方案中发挥着核心作用。尽管在活动识别与进食时刻检测算法的开发上已有大量研究，但当以某一用户数据训练的模型被用于新用户时，检测算法的性能会大幅下降。为促进个性化模型的开发，我们提出 PALS（Proximity-based Active Learning on Streaming data，基于邻近度的流式数据主动学习），一种基于邻近度的新颖模型，用于识别进食手势，旨在显著减少对新增用户标注数据的需求。特别地，我们提出一个优化问题，在有限查询预算下利用无标注数据进行主动学习。我们在受控与非受控环境下收集的数据上进行的广泛分析表明，当查询预算在 10 到 60 之间变化时，PALS 的 F 值（F-score）范围为 22% 至 39%。此外，与最先进的方法相比，离线 PALS 在检测进食手势时平均实现了高 40% 的召回率（recall）和高 12% 的 F 值。
引用
@article{arxiv.2003.13098,
title = {Proximity-Based Active Learning on Streaming Data: A Personalized Eating Moment Recognition},
author = {Marjan Nourollahi and Seyed Ali Rokni and Hassan Ghasemzadeh},
journal= {arXiv preprint arXiv:2003.13098},
year = {2020}
}