基于传感器识别人类活动的机器学习技术与数据异质性-一篇评论
Xiaozhou Ye1, Kouichi Sakurai2, Nirmal-Kumar C Nair1
1Department of Electrical, Computer, and Software Engineering, The University of Auckland, Auckland 1010, New Zealand.
Sensors (Basel, Switzerland)
|January 8, 2025
概括
本综述探讨了机器学习如何解决人类活动识别 (HAR) 中的数据异质性. 解决各种传感器数据分布可以提高HAR模型的性能和个性化.
科学领域:
- 无处不在的计算无处不在的计算
- 机器学习 机器学习
- 传感器数据分析数据分析
背景情况:
- 人类活动识别 (HAR) 对于使用多维传感器数据分析行为至关重要.
- 当前的HAR研究往往忽略了跨数据集的数据分布变化,限制了现实世界的适用性.
- 传感器数据中的数据异质性对HAR模型的概括和效率构成重大挑战.
研究的目的:
- 审查机器学习方法,以解决人类活动识别 (HAR) 中的数据异质性.
- 在HAR中遇到的数据异质性类型的分类.
- 确定适合的机器学习方法和数据集,用于异构的HAR.
主要方法:
- 在基于传感器的HAR中对数据异质性类型的分类.
- 识别和应用针对特定异质性挑战的机器学习方法.
- 对现有的HAR数据集及其特征进行系统审查.
- 讨论未来的研究方向和面临的挑战.
主要成果:
- 确定了影响HAR性能的不同类型的数据异质性.
- 突出了有效缓解这些异质性问题的机器学习技术.
- 提供了有关HAR数据集的摘要,并指出了它们的分布性质.
- 强调了解决异质性的好处,包括提高准确性和减少计算负载.
结论:
- 机器学习提供了可行的解决方案,以克服HAR中的数据异质性.
- 解决数据分布变异是开发强大,个性化和高效的HAR系统的关键.
- 需要进一步的研究来探索HAR的先进适应式和联合式学习方法.
