利用语言模型引导基于智能家居的环境传感器人类活动识别
机器学习
2021-11-25 v1
摘要
基于长短期记忆 LSTM 的结构已通过捕捉传感器激活顺序及其时间依赖性，证明了其在智能家居日常活动识别中的效率。然而，它们仍难以处理传感器的语义与上下文。传感器不仅包含孤立的 id 及其有序激活值，还承载含义。实际上，其性质和激活类型可反映各种活动。它们的日志彼此相关，形成全局上下文。我们提出使用并比较两种自然语言处理嵌入方法来增强基于 LSTM 的结构在活动序列分类任务中的表现：Word2Vec（一种静态语义嵌入）和 ELMo（一种上下文嵌入）。在真实智能家居数据集上的结果表明，该方法提供了有用信息（如传感器组织图），并减少了日常活动类别之间的混淆。它有助于在具有其他居民或宠物的竞争性活动的数据集上取得更好表现。我们的测试还显示，嵌入可在不同于目标数据集的数据集上预训练，从而实现迁移学习。因此我们证明，考虑传感器的上下文及其语义可提升分类性能并实现迁移学习。
引用
@article{arxiv.2111.12158,
title = {Using Language Model to Bootstrap Human Activity Recognition Ambient Sensors Based in Smart Homes},
author = {Damien Bouchabou and Sao Mai Nguyen and Christophe Lohr and Benoit Leduc and Ioannis Kanellos},
journal= {arXiv preprint arXiv:2111.12158},
year = {2021}
}