基于智能手机的人类活动识别领域适应和概括的一个基准
Otávio Napoli1, Dami Duarte2, Patrick Alves3
1Institute of Computing, Unicamp, Brazil. otavio.napoli@ic.unicamp.br.
Scientific data
|November 3, 2024
概括
我们介绍了DAGHAR,这是使用智能手机传感器识别人类活动 (HAR) 的标准化基准. 这一基准提高了跨不同数据集的模型概括性,克服了常见的数据不兼容性.
科学领域:
- 计算机科学 计算机科学
- 机器学习 机器学习
- 人与计算机的交互
背景情况:
- 人类活动识别 (HAR) 依赖于智能手机惯性传感器,但数据变化 (传感器,用户,设备放置) 阻碍了模型的概括.
- 现有的HAR数据集缺乏标准化,由于数据格式 (单位,采样率,标签) 不兼容,导致跨数据集性能差.
研究的目的:
- 引入DAGHAR基准,这是一个标准化的数据集集合,用于评估基于智能手机的HAR的域调整和概括.
- 通过消除微不足道的偏见,同时保持内在数据差异,使控制的交叉数据集概括研究成为可能.
主要方法:
- 通过协调加速度计单位,采样率,重力组件,活动标签,用户分区和时间窗口大小,标准化了六个不同的HAR数据集.
- 开发了DAGHAR基准,以促进可重复的域调整和泛化研究.
- 使用最先进的机器学习模型提供基线性能指标.
主要成果:
- DAGHAR基准可以对不同数据集的 HAR 模型概括能力进行受控评估.
- 标准化成功地消除了微不足道的偏见,允许对内在数据集差异进行更清晰的评估.
- 基线指标为未来的HAR概括研究提供了一个关键的参考点.
结论:
- 在基于智能手机的HAR中,DAGHAR基准对于推进域调整和泛化研究至关重要.
- 标准化数据集对于可靠的HAR模型的可靠评估和开发至关重要.
- 未来的研究可以利用DAGHAR开发更具适应性和通用性的HAR系统.
