基于智能手机传感器且对不同采样率鲁棒的人类活动识别

人类活动识别是一个通过智能手机及其他设备中的传感技术自动识别用户身体活动的研究领域。在感知日常活动时，测量条件（如设备类型、持握方式、佩戴方式和测量应用）常因用户和测量日期而异。从传感器值预测活动的模型通常由机器学习实现，并使用来自许多提供标记传感器数据的用户的大量活动标记传感器数据进行训练。然而，使用各用户个人智能手机收集活动标记传感器数据会导致数据在不一致的环境中测得，可能降低机器学习的估计精度。本研究提出一种对不同采样率鲁棒的活动识别方法——即便在测量环境中亦如此。所提方法将对抗网络与通过下采样的数据增强应用于通用活动识别模型，以实现获取使采样率不可辨识的特征表示。利用智能手机传感器基础活动识别数据集 Human Activity Sensing Consortium (HASC)，我们进行了模拟多种采样率测量环境的评估实验。结果表明，在上述环境中常规方法估计精度下降，而所提方法可改善该精度。