基于70万人天可穿戴数据的自监督学习用于人类活动识别
信号处理
2024-06-21 v3 人工智能
机器学习
摘要
由于缺少大规模标注数据集，深度学习在人类活动识别方面的进展相对有限。在本研究中，我们利用自监督学习技术在UK-Biobank活动追踪数据集(迄今为止同类型中最大的数据集)上开展研究，该数据集包含超过700,000人天的无标注可穿戴传感器数据。我们所得的活动识别模型在七个基准数据集上持续优于强基线，F1相对提升达2.5%–100%(中位数18.4%)，最大提升出现在较小的数据集中。与以往研究不同，我们的结果可跨外部数据集、设备和环境泛化。我们的开源模型将帮助研究人员与开发者构建高性能、可定制且可泛化的活动分类器。
引用
@article{arxiv.2206.02909,
title = {Self-supervised Learning for Human Activity Recognition Using 700,000 Person-days of Wearable Data},
author = {Hang Yuan and Shing Chan and Andrew P. Creagh and Catherine Tong and Aidan Acquah and David A. Clifton and Aiden Doherty},
journal= {arXiv preprint arXiv:2206.02909},
year = {2024}
}