通过自我监督学习离散表示,以基于可穿戴设备的人类活动识别为基础
Harish Haresamudram1, Irfan Essa2, Thomas Plötz2
1School of Electrical and Computer Engineering, Georgia Institute of Technology, Atlanta, GA 30332, USA.
Sensors (Basel, Switzerland)
|February 24, 2024
概括
这项研究使用矢量量化恢复了人类活动识别 (HAR) 的离散表示. 这种方法实现了与连续方法相比或更好的性能,使新的符号序列分析工具成为可能.
科学领域:
- 计算机科学 计算机科学
- 机器学习 机器学习
- 穿戴式计算可以穿戴.
背景情况:
- 人类活动识别 (HAR) 传统上使用连续传感器数据特征.
- 过去对HAR的离散方法遭受了显著的精度损失.
- 矢量量化 (VQ) 的进步为离散表示提供了新的可能性.
研究的目的:
- 用现代方法对HAR进行重新评估和应用离散技术.
- 为了证明从传感器数据中得出的学习离散表示的有效性.
- 探索离散HAR的应用,而不仅仅是简单的活动分类.
主要方法:
- 在可穿戴传感器数据上应用了矢量量化 (VQ) 的最新进展.
- 开发了一种学习从传感器数据跨度直接映射到代码书索引的方法.
- 在一系列基准基于可穿戴设备的HAR任务上评估了该方法.
主要成果:
- 实现人类活动识别性能与连续方法相提并论,并且往往超过了连续方法.
- 演示了可穿戴应用程序的学习离散化的潜力.
- 展示了离散表示对于高级符号序列分析的可行性.
结论:
- 通过VQ学习的隐私化是一种可行的和有效的方法来治疗HAR.
- 离散表示解锁了新的分析工具,类似于自然语言处理中的工具.
- 这项工作意味着在分析HAR的传感器数据方面潜在的范式转变.
