在基于传感器的人类活动识别中的基于细分的无监督学习方法

科学领域:

• 计算机科学 计算机科学
• 生物医学工程 生物医学工程
• 机器学习 机器学习

背景情况:

• 基于传感器的人类活动识别 (HAR) 对于行为分析至关重要,特别是在医疗保健领域.
• 传统的HAR方法依赖于机器学习,而深度学习则提供自动特征提取,但需要大量的标记数据.
• 为深度学习模型标记数据是劳动密集型和昂贵的.

研究的目的:

• 提出基于细分的无监督深度学习方法,用于使用加速度计数据的HAR.
• 通过专注于活动细分点而不是标签来降低数据注释成本.
• 开发一个强大的HAR系统,适应各种情况和传感器数据特征.

主要方法:

• 为HAR开发了一个基于细分的无监督深度学习方法.
• 提出了一种数据收集方法,只需要开始,改变和结束点的注释.
• 创建了一个基于细分的新型SimCLR与SDFD相结合,用于特征表示学习.

主要成果:

• 证明拟议的组合方法获得了通用的特征表示.
• 通过转移学习展示了通过传感器数据采样频率的方法的稳定性.
• 验证了无监督特征学习对HAR的有效性.

结论:

• 提出的基于细分的无监督深度学习方法为HAR提供了有效的解决方案.
• 这种方法可以显著降低注释成本,同时保持高性能.
• 该方法对需要适应性强的人类活动识别的现实应用具有前景.