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

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.