在人类惯性信号中检测和验证宏观活动,使用图形链接预测

科学领域:

• 计算机科学 计算机科学
• 机器学习 机器学习
• 图形理论 图形理论

背景情况:

• 基于传感器的人类活动识别 (HAR) 正在与可穿戴设备一起推进.
• 目前的HAR方法通常集中在使用滑动窗口的简单,简短的活动上.
• 识别复杂的宏观活动及其潜在的微观活动相互作用仍然是一个挑战.

研究的目的:

• 为了解决在复杂的宏观活动中了解微型活动相互作用的差距.
• 应用图形链接预测和图形神经网络 (GNN) 进行自动化分析.
• 为了验证这种方法在现实世界数据集上的有效性.

主要方法:

• 将微活动序列转换为微活动图.
• 使用图形神经网络 (GNN) 处理这些图形.
• 使用图形链接预测来识别微型活动之间的关系.

主要成果:

• 准确识别微型活动之间的相互作用.
• 精确验证复合宏观活动使用学习图形嵌入.
• 在GNN中用于序列识别的位置编码的证明好处.

结论:

• 图形链接预测对于从传感器数据分析复杂的人类活动是有效的.
• 随着位置编码的增强,GNN在HAR中显示出对序列识别的前景.
• 这种方法促进了对多步骤活动的自动理解.