在稀疏编码框架中利用无标签数据进行人类活动识别

我们提出了一种用于普适计算和移动计算中活动识别的稀疏编码框架，以缓解当前监督学习方法的两个基本问题。(i) 它自动导出传感器数据的紧凑、稀疏且有意义的特征表示，不依赖先验专家知识，并在跨域边界时具有极好的泛化能力。(ii) 它利用无标签样本数据引导有效的活动识别器，即大幅减少模型估计所需的地面真值标注量。此类无标签数据易于获取，例如通过用户日常活动中携带的现代智能手机。基于自学习 (self-taught learning) 范式，我们自动从无标签数据中导出一组过完备基向量，以捕捉活动数据中存在的固有模式。通过将原始传感器数据投影到由此类过完备基向量集定义的特征空间，实现了有效的特征提取。鉴于这些学习到的特征表示，随后使用少量带标签训练数据训练分类后端。我们利用两个在识别任务和传感器模态方面各不相同的数据集详细研究了新方法。我们主要关注基于手机感知中的热门任务——交通模式分析任务。该稀疏编码框架显著优于监督学习方法中的最先进水平。此外，通过考虑流行的 Opportunity 数据集，我们成功评估了其跨域和跨传感器模态的泛化能力，从而展示了新方法的巨大实用潜力。我们的特征学习方法优于分析日常生活活动的最先进方法。