多模态传感器数据选择性关注分类

Apr, 2018

多模态传感器数据选择性关注分类

Multi-modality Sensor Data Classification with Selective Attention

Xiang Zhang, Lina Yao, Chaoran Huang, Sen Wang, Mingkui Tan...

TL;DR通过将传感器数据分类任务转化成游戏，并引入深度强化学习和注意力机制，我们建立了一个具有竞争力的分类器，该分类器适用于具有复杂情况的应用领域，如医疗保健和娱乐等。

Abstract

multimodal wearable sensor data classification plays an important role in ubiquitous computing and has a wide range of applications in scenarios from healthcare to entertainment. However, most existing work in this field employs domain-specific approaches and is thus ineffective in com

multimodal wearable sensor data deep reinforcement learning selective attention mechanism application domains classifier

发现论文，激发创造

利用自注意力进行可穿戴传感器数据的人类活动识别

本文通过基于自注意力机制的神经网络模型，有效地解决了从身体穿戴传感器数据中提取人类活动的空间和时间序列信号依赖性识别的问题，并在四个流行的 HAR 数据集上进行了大量实验，获得了显著的性能改进。

Mar, 2020

可穿戴活动识别的单模态和多模态传感器融合

综合不同的感知模态与多个位置有助于形成对人类行为等复杂情况的统一感知和理解，因此，人类活动识别受益于综合冗余和互补信息（单模态 / 多模态）。然而，这并不是一项容易的任务，它需要多学科的方法，包括传感器技术、信号处理、数据融合算法和领域特定知识。本博士研究使用惯性、压力（音频和大气压力）和纺织电容感应等感知模型进行人类活动识别。所探索的场景包括手势和手部位置跟踪、面部和头部模式识别以及身体姿势和手势识别。所选择的可穿戴设备和感知模型完全集成了基于机器学习的算法，其中一些实现在嵌入式设备上，并在实时环境中进行了测试。

Apr, 2024

多模态可佩戴传感器人体动作识别调查

结合增加的预期寿命和下降的出生率导致人口老龄化问题，可穿戴传感器技术的人体活动识别成为一种有着巨大潜力的辅助技术来支持老年人的日常生活，近期的研究聚焦于深度学习方法或单一传感器模态，为了给机器带来类似的智能，多模态机器学习成为研究者们热衷的领域之一，本研究从新颖的视角对多模态学习在可穿戴传感器技术的人体活动识别领域的应用进行全面调查，包括探索最近的传感器模态和深度学习方法，研究目前的多模态系统的技术，以及解决现有问题的多模态学习方法，同时连接其他领域的多模态文献与当前的可穿戴传感器技术的人体活动识别领域，最后识别出当前领域的挑战和潜在研究方向以进一步提升该技术的性能。

Apr, 2024

多智能体注意力活动识别

通过多智能体空间时间关注模型，智能选择观测到的信息和关联的运动方式来完成并优化活动识别任务。在四种真实世界数据集上的实验结果表明，该模型优于现有的方法。

May, 2019

更少更好 (M2L): 佩戴式传感器降维增强的野外健康识别

本文提出了一种更为有效的 M2L 学习框架来减少传感器数量，并利用多种模式的补充信息，通过设计模型来加强模式之间的协作，以便更好地表征每种模式，以提高诊断性能。实验结果表明，该框架可以获得与使用全部模式时类似的性能。

Feb, 2022

基于可穿戴设备的弱监督多任务表示学习人类活动分析

我们提出了一种使用弱监督多输出连体网络的方法，该方法能够学习将数据映射到多个表示空间上，从而能够同时解决多个任务，并在许多情况下胜过单任务监督方法。

Aug, 2023

面向个性化压力监测的主动强化学习在日常环境中的应用

本文提出了一种上下文感知的主动学习策略，并开发了一个多层传感器边缘云平台，以捕获生理信号并即时处理，以及收集标签并重新训练检测模型。结果表明，所提出的上下文感知主动学习技术相对于基于随机策略和传统主动学习策略，在使用者查询方面分别减少 88％和 32％，同时达到理想的检测性能。