训练数据量对进食手势识别的影响
机器学习
2018-12-12 v1 机器学习
摘要
本文考虑通过追踪手腕运动来识别进食手势的问题。进食手势的运动可能因受试者、餐具以及所消耗的食物或饮料类型而有很大差异。先前的工作已在具有少量受试者和食物类型的实验室环境中展示了识别进食手势的可行概念验证，但尚不清楚这些方法如果在自然环境中对更大群体进行测试时效果如何。随着更多受试者、地点和食物的测试，更大数量的运动变异性可能导致识别准确率的下降。为探讨此问题，本文描述了由 269 名受试者在食堂用餐所采集并标注的 51,614 个进食手势。描述了探索隐马尔可夫模型（HMMs）的复杂度以及充分捕捉该大数据集中运动变异性所需训练数据量的实验。结果发现 HMMs 需要 13 个状态和 5 个高斯分布的复杂度才能达到准确率平台期，意味着每种手势类型至少需要 65 个样本。结果还发现每种手势类型需要 500 个训练样本才能确定识别准确率收益递减的点。总体而言，研究结果表明通常用于展示实验室概念验证的数据集规模可能不足以大到捕捉过渡到更大群体部署时可能出现的全部运动变异性。我们的数据集比先前工作中测试的所有数据集大 1-2 个数量级，现正公开提供。
引用
@article{arxiv.1812.04513,
title = {The Impact of Quantity of Training Data on Recognition of Eating Gestures},
author = {Yiru Shen and Eric Muth and Adam Hoover},
journal= {arXiv preprint arXiv:1812.04513},
year = {2018}
}