基于对比损失的一维卷积神经网络自监督特征学习用于耳内麦克风进食检测
音频与语音处理
2021-08-04 v2 声音
摘要
自动化且客观地监测饮食行为的重要性正日益被接受。传感器技术的进步以及近期基于机器学习的信号处理算法的成果，使得开发具有高度准确性的饮食监测方案成为可能。开发和训练机器学习算法的一个常见瓶颈是获取用于训练监督算法的标注数据，尤其是真值标注。人工真值标注费力、繁琐，有时会引入误差，并且在自由生活数据采集中有时是不可能的。因此，需要减少训练所需的标注数据。此外，从现有可穿戴设备（如蓝牙耳机）在真实环境中收集的无标注数据可用于训练和微调进食检测模型。在本工作中，我们专注于以自监督方式训练由耳内麦克风捕获的音频信号的特征提取器，用于进食检测任务。我们的方法基于Chen等人从计算机视觉领域提出的用于图像分类的SimCLR方法。结果令人鼓舞，因为我们的自监督方法取得了与监督训练替代方案相似的结果，并且其总体有效性可与当前最先进方法相媲美。代码见 https://github.com/mug-auth/ssl-chewing 。
引用
@article{arxiv.2108.00769,
title = {Self-Supervised Feature Learning of 1D Convolutional Neural Networks with Contrastive Loss for Eating Detection Using an In-Ear Microphone},
author = {Vasileios Papapanagiotou and Christos Diou and Anastasios Delopoulos},
journal= {arXiv preprint arXiv:2108.00769},
year = {2021}
}
备注
5 pages, IEEE EMBC 2021