使用弱标记的原始加速数据计算活动:使用深度学习的可变长度序列方法来保持事件持续时间的灵活性
Georgios Sopidis1, Michael Haslgrübler1, Alois Ferscha2
1Pro2Future GmbH, Altenberger Strasse 69, 4040 Linz, Austria.
Sensors (Basel, Switzerland)
|June 10, 2023
概括
本研究引入了一种使用深度学习和惯性测量单位 (IMU) 来计数手动活动的新方法. 它有效地处理可变持续时间的活动,使用新的数据细分技术和弱标签,实现高精度.
科学领域:
- 人类活动识别 人类活动识别
- 机器学习 机器学习
- 可穿戴式传感器技术
背景情况:
- 由于活动的持续时间可变,计算手工活动是很有挑战性的.
- 传统的固定窗口大小导致不准确的活动表示.
- 标签薄弱的数据简化了注释,但对机器学习提出了挑战.
研究的目的:
- 开发一种新的深度学习方法,用于使用IMU计算手动执行的活动.
- 通过将数据细分成可变长度序列来解决固定窗口大小的限制.
- 为了利用弱标记的数据来简化注释和减少数据准备时间.
主要方法:
- 利用破碎的张量器将时间序列数据分割为变长序列.
- 实现了基于长短期记忆 (LSTM) 的深度学习架构.
- 采用弱标记的数据,只提供有关执行活动的部分信息.
主要成果:
- 在 Skoda HAR 数据集上,即使在具有挑战性的情况下,也实现了 ± 1 的重复误差.
- 证明了可变尺寸IMU加速数据处理的有效性.
- 展示了用于活动计数的计算效率高的方法.
结论:
- 拟议的方法有效地计算使用可变长度序列和弱标签的手工活动.
- 这种方法为IMU的活动计数提供了一个计算效率高的解决方案.
- 这些发现在医疗保健,体育,HCI,机器人和制造业有广泛的应用.
