利用可穿戴传感器数据进行无监督嵌入式学习的人体活动识别
本研究通过对不同样本生成过程和验证协议进行分析,实施和评估了多种高性能方法,从手工制作的方法到卷积神经网络等各种方法,发现当前的实验评估方法都无法在可穿戴传感器数据的背景下执行活动识别,在此之中,识别准确度显着下降,该研究着重解决了在可穿戴传感器数据基础上的人体活动识别中影响识别准确性的关键问题,是第一篇解决这个问题的研究。
Jun, 2018
本文通过文献综述,使用六种公开数据集,采用标准化评估标准对最先进的人类活动识别技术进行比较,提出了一种改进的混合手工特征和神经网络架构的方法,优于先前的技术,并证明标准化评估是必要的。
Jan, 2021
本文系统分类总结了利用低功率传感器进行人体活动识别的深度学习方法及其发展趋势和主要挑战,同时介绍了深度学习驱动人体活动识别的尖端技术和未来方向。
Oct, 2021
本研究使用自我监督学习技术在 UK-Biobank 活动追踪器数据集上训练活动识别模型,结果表明该模型在七个基准数据集上的 F1 分数相对提高 2.5%~100%,可推广至不同外部数据集、设备和环境。开源的模型将有助于研究人员建立高性能、自定义和可推广的活动分类器。
Jun, 2022
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
该论文介绍了一种基于多智能体原理的协作式分布式学习方法,其中配备传感器设备的个体用户在分布式网络中作为代理人,共同贡献于学习和分类人类活动的全面过程。该方法不仅保护了每个个体的活动监测数据的隐私,消除了外部服务器监督学习过程的需求,而且还具备克服传统集中模型限制并适应每个用户的独特属性的潜力。经过在不同环境下对 PAMAP2 和 HARTH 两个公开可访问的人体活动识别数据集的实证测试,提供的实证结果明确突出了个体间协作学习在局部和全局泛化方面相对于集中式配置的功效。
Nov, 2023
本文提出了一种基于非监督统计特征引导扩散模型的传感器数据的人类活动识别方法,通过利用统计信息来生成多样化和代表性的合成传感器数据。研究结果表明,所提出的方法可以提高人类活动识别的性能并胜过现有技术。
May, 2023
本研究基于一个大规模无标签数据集上学习的自监督表征及浅层多层感知器模型,在未参与训练的真实世界数据集上取得了良好性能,并可通过不同传感器的数据训练,从而实现了设备无关型人体活动识别模型,将有助于增加 HAR 领域中模型评估的标准化。
Apr, 2023
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
本文研究如何在时间稀疏的数据上直接使用深度学习模型进行活动识别,并从老年人的多个真实数据集中,通过学习活动特征空间,得出相比于现有模型有显著分类性能提升的结论。
Jun, 2019