在智能家居中增强人类活动识别,通过自我监督的学习和自我注意力

科学领域:

• 人工智能的人工智能
• 机器学习 机器学习
• 传感器数据分析数据分析

背景情况:

• 深度学习模型对于使用环境传感器进行人类活动识别 (HAR) 至关重要,特别是对于远程监控老年人.
• 由于手动注释的时间和成本限制,收集大型注释的传感器数据集具有挑战性.
• 现有的方法在现实世界HAR应用中与有限的或没有注释数据作斗争.

研究的目的:

• 提出一种新的自主监督学习模型,AttCLHAR,用于HAR使用环境传感器数据,注释很少或没有注释.
• 通过自我注意机制和敏度意识最小化 (SAM) 来利用SimCLR框架来改进特征学习.
• 增强模型捕捉遥控应用中的传感器数据空间和时间依赖性的能力.

主要方法:

• 开发了AttCLHAR,这是一个采用共享编码器 (CNN和LSTM) 的无监督预训练和微调阶段的模型.
• 集成了一个自我注意层,以专注于相关的输入序列段和SAM以提高概括性.
• 对三个CASAS智能家居数据集 (Aruba-1,Aruba-2,米兰) 进行了广泛的评估.

主要成果:

• 与基线SimCLR相比,AttCLHAR表现出优异的性能,SimCLR与SAM,和SimCLR与自我注意力.
• 该模型取得了重大进展,特别是在半监督和转移学习环境中.
• 实验结果证实了自主监督学习在从未标记的环境传感器数据中提取洞察力的有效性.

结论:

• 在有限的注释数据的情况下,AttCLHAR为识别人类活动提供了一个强大的解决方案.
• 自我注意和SAM的整合增强了模型从未标记的传感器数据中学习的能力.
• 这种方法在利用环境传感器进行远程监控和HAR方面迈出了重要的一步.