面向基于可穿戴设备的人类活动识别：通过自监督学习离散表征
机器学习
2023-06-05 v1 信号处理
摘要
可穿戴计算中的人类活动识别（HAR）通常基于对传感器数据的直接处理。传感器读数被转化为表征，或通过专用预处理导出，或融入端到端学习。无论来源如何，当代绝大多数 HAR 的表征本质上是连续的。情况并非一直如此。在 HAR 早期，离散化方法曾被探索——主要出于最小化计算需求的动机，同时也着眼于超越单纯识别的应用，如活动发现、指纹识别或大规模检索。然而，那些传统离散化方法在所得表征中存在显著的精度与分辨率损失，对下游任务产生不利影响。时过境迁，本文我们提议回归离散化表征。我们采用并应用向量量化（VQ）的近期进展于可穿戴应用，使我们能直接学习短时段传感器数据与向量码本间的映射，所得识别性能总体与当代连续表征相当——有时更优。因此，本工作展示了概念验证，证明如何导出有效的离散表征，不仅赋能超越单纯活动分类的应用，也将该领域向符号序列分析的先进工具敞开，正如自然语言处理等领域所熟知的那样。基于一套基于可穿戴设备的基准 HAR 任务的广泛实验评估，我们展示了所学离散化方案的潜力，并探讨离散化传感器数据分析如何引发 HAR 的实质变革。
引用
@article{arxiv.2306.01108,
title = {Towards Learning Discrete Representations via Self-Supervision for Wearables-Based Human Activity Recognition},
author = {Harish Haresamudram and Irfan Essa and Thomas Ploetz},
journal= {arXiv preprint arXiv:2306.01108},
year = {2023}
}