Un marco de agrupación híbrida de dos fases para explorar las actividades de transición en el HAR | JoVE Visualize

Área de la Ciencia:

Ciencias de la computación
Aprendizaje automático
Procesamiento de señales

Sus antecedentes:

El Reconocimiento de la Actividad Humana (HAR) se enfrenta a desafíos con datos de sensores de alta dimensión y ruidosos y datos etiquetados limitados en el aprendizaje sin supervisión.
Los modelos de agrupación tradicionales luchan con los datos de los sensores de series temporales, a pesar del buen rendimiento en conjuntos de datos simulados.

Objetivo del estudio:

Explorar las arquitecturas de autoencoder (AE) para la reducción de dimensionalidad y la extracción de características de los conjuntos de datos HAR en streaming.
Desarrollar un modelo de agrupación sin supervisión eficaz para identificar patrones de actividad humana a partir de los datos de los sensores.

Principales métodos:

Investigó varias arquitecturas de autoencoder, incluidas las capas convolucionales, LSTM e híbridas CNN-LSTM para la extracción de características espaciotemporales.
Aprendizaje supervisado empleado para entrenar el modelo AE y un modelo de agrupación K-Means sin supervisión en características extraídas.
Se utilizaron los conjuntos de datos MobiAct y UCI HAR para la evaluación del modelo.

Principales resultados:

El extractor de características híbrido convolucional AE+LSTM combinado con K-Means logró una precisión de agrupación de última generación (hasta 0,99 NMI y ARI).
Demostró una mejora de más del 50% en el rendimiento de agrupación en comparación con los métodos anteriores.
Se presentaron visualizaciones de clúster para explicar los patrones de actividad de transición.

Conclusiones:

El modelo híbrido integrado propuesto aborda efectivamente los desafíos en el HAR sin supervisión utilizando datos de sensores portátiles.
Logró un rendimiento superior en la identificación de patrones de actividad humana, superando a los enfoques existentes.
El método ofrece una solución robusta para aplicaciones de HAR en el mundo real con flujos de sensores sin etiquetar.