Mar, 2024

P2LHAP: 基于可穿戴传感器的人体活动识别、分割和预测的 Patch-to-Label Seq2Seq Transformer

PDF
TL;DR传统深度学习方法难以从传感器数据中同时分割、识别和预测人类活动，限制了其在医疗保健和辅助生活等领域的实时理解能力。本文介绍了 P2LHAP，一种新颖的 Patch-to-Label Seq2Seq 框架，有效地解决了这三个任务，将传感器数据流划分为一系列 “补丁” 作为输入，输出包括预测未来活动的补丁级活动标签序列。作者提出了一种基于周围补丁标签的独特平滑技术，用于准确识别活动边界。此外，P2LHAP 通过传感器信号通道独立的 Transformer 编码器和解码器学习补丁级表示，所有通道在所有序列中共享嵌入和 Transformer 权重。经过三个公开数据集的评估，P2LHAP 在这三个任务中显著优于现有技术水平，展示了其在实际应用中的有效性和潜力。
deep learninghuman activitiessensor datapatch-to-label seq2seq frameworkreal-time understanding
发现论文，激发创造
  • Activity2Vec：使用序列到序列模型从传感器数据中学习 ADL 嵌入

    研究使用序列到序列的方法自动提取可以应用于类似时间序列学习任务的通用且有意义的特征。所得到的有意义的特征不仅避免了特征工程，还可以用于半监督学习，并且在从可穿戴和环境传感器收集的数据集上进行了评估。

    Jul, 2019

  • 基于时间戳监督的可穿戴设备活动分段和识别：对比学习和保序最优传输

    利用时间戳监督的联合活动分割和识别方法，通过估计原型、生成样本级伪标签以及最优运输理论，以改善人类活动识别和时间序列分割问题。

    Oct, 2023

  • 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

    该论文介绍了一种无监督方法，通过基于人类活动的特性将人类活动投射到一个嵌入空间中，在该空间中相似的活动会紧密地聚集在一起，从而帮助聚类算法实现对人类活动的识别和分类，相较于直接应用于原始数据集的非监督技术，我们的方法在识别和分类潜在人类活动方面取得了更好的性能。

    Jul, 2023

  • 建模标签语义提升活动识别

    本论文提出了一个基于序列到序列的神经网络框架，以学习共享活动标签名称的语义，而不是将标签仅视为整数 ID，这有助于提高人类活动识别的性能。该方法将学习活动分解为学习共享标记，通过在七个基准人类活动识别数据集上的广泛实验表明其优于现有方法。

    Jan, 2023

  • 使用参数优化的多阶段图卷积网络和 Transformer 模型进行人类活动识别的特征融合

    使用深度学习模型（如卷积神经网络和 Transformer）进行人类活动识别，研究表明特征融合对于改善活动识别系统的准确性和稳健性具有重要意义。使用 HuGaDB、PKU-MMD、LARa 和 TUG 数据集，PO-MS-GCN 和 Transformer 模型在准确性上进行了训练和评估，PO-MS-GCN 模型在效果上优于其他先进模型，并且特征融合在不同数据集上改善了结果。

    Jun, 2024

  • 人体活动检测的多任务自监督学习

    本文提出了一种基于自监督技术的特征学习方法，应用于无形标签的传感器数据。该方法可以应用于人类活动识别等领域，可以通过转化识别任务提供监督信号提取有价值的特征，并在智能手机环境下的无人监督、半监督和迁移学习的情况下实现了与完全监督网络相当甚至更好的性能。该技术可被广泛应用于其他领域。

    Jul, 2019

  • 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

  • 基于生成式居民分离和多标签分类的多人活动识别

    本文介绍了两种模型，用于解决家庭环境中使用环境传感器进行多人活动识别的问题。第一种模型 Seq2Res 使用序列生成方法来分离来自不同居民的传感器事件。第二种模型 BiGRU+Q2L 使用 Query2Label 多标签分类器同时预测多种活动。这些模型的性能与先进模型在不同的实验场景中进行比较，使用先进数据集，在一个装有环境传感器的家中有两个居民。这些结果引发了关于居民分离和多标签分类对于多人活动识别的优缺点的讨论。

    Apr, 2024

  • 解耦欠完全：基于小波注入的多层异构网络用于不完善可穿戴传感器数据中的人体活动识别

    利用多级离散小波分解从传感器数据中提取多分辨率特征进行传感器数据分析的多级异构神经网络（MHNN）模型，在使用七个公开可用数据集的实验研究中证明了 MHNN 在应对缺失值和噪声方面的优越性，并通过消融研究证实了每个模块的重要性。

    Jan, 2024

  • 基于隐藏过程回归的多变量时间序列联合分割用于人体活动识别

    通过对三维空间内由佩戴式加速度计测量的加速度数据的多维时间序列进行分割，本文分析了活动识别的问题，并提出了一种特定的统计潜在过程模型进行自动时段分割，该模型通过隐藏的离散逻辑过程来控制随时间而变换的多个活动。最终结果表明，本文提出的方法在完全无监督的情况下运作，并且不需要特征提取预处理步骤，其性能非常有竞争力。

    Dec, 2013