SparseSense：基于集合神经网络的从高稀疏传感器数据流中进行人类活动识别
机器学习
2019-06-07 v1 人机交互
机器学习
摘要
无电池或所谓的被动可穿戴设备为人体活动识别（HAR）提供了新的创新方法，尤其在面向老年人的医疗健康应用中。被动传感器成本低、重量轻、不侵扰且理想情况下可丢弃；这些特性对医院与养老院的医疗应用颇具吸引力。尽管传感应用前景引人注目，此类传感器的数据流具有高稀疏性特征——传感器读数间的时间间隔不规则，而单位时间内的读数数量往往有限。本文严谨探讨了从时间稀疏数据中学习活动识别模型的问题。我们描述了如何以端到端方式使用深度学习范式直接从稀疏数据学习。我们在来自老年人的真实世界被动传感器数据集上，相较最先进的深度学习人类活动识别模型展示了显著的分类性能提升。此外，我们通过对基准数据集的补充实验与所学活动特征空间的可视化，提供了对模型行为的深入洞察。
引用
@article{arxiv.1906.02399,
title = {SparseSense: Human Activity Recognition from Highly Sparse Sensor Data-streams Using Set-based Neural Networks},
author = {Alireza Abedin and S. Hamid Rezatofighi and Qinfeng Shi and Damith C. Ranasinghe},
journal= {arXiv preprint arXiv:1906.02399},
year = {2019}
}
备注
Accepted at IJCAI 2019