面向可穿戴设备人体活动的深度聚类
信号处理
2020-08-20 v2 人机交互
机器学习
摘要
我们利用低成本可穿戴传感模态在健康与保健领域关键人类行为与活动监测应用中的能力依赖于监督学习范式；在此方面，深度学习范式已证明在从标注数据中学习活动表示方面极为成功。然而，收集和标注传感活动数据集的昂贵工作劳动密集、耗时，且无法扩展到大规模数据。尽管现有的深度聚类无监督补救方法利用了为静态图像数据集量身定制的网络架构和优化目标，但用于从体载传感器捕获的原始序列数据中揭示聚类结构的深度架构仍基本未被探索。本文针对可穿戴设备人体活动识别(HAR)这一基本问题，开发了一种无监督端到端学习策略。通过大量实验，包括与现有方法的比较，我们展示了该方法在联合学习传感数据无监督表示并生成与不同人体活动具有强语义对应的聚类分配方面的有效性。
引用
@article{arxiv.2008.01659,
title = {Towards Deep Clustering of Human Activities from Wearables},
author = {Alireza Abedin and Farbod Motlagh and Qinfeng Shi and Seyed Hamid Rezatofighi and Damith Chinthana Ranasinghe},
journal= {arXiv preprint arXiv:2008.01659},
year = {2020}
}
备注
Accepted at ISWC 2020