通过域调整和融合注意力来识别跨领域的人类活动
IEEE journal of biomedical and health informatics
|March 3, 2025
概括
这项研究引入了一个新的转移组件分析-双向长期短期记忆 (TCA-BiLSTM) 网络,用于人类活动识别 (HAR). 该方法通过调整跨领域信息来提高可穿戴传感器数据的概括性,优于现有的方法.
科学领域:
- 生物医学工程 生物医学工程
- 机器学习 机器学习
- 信号处理 信号处理
背景情况:
- 穿戴式传感器对于健康监测和体育运动中的人类活动识别 (HAR) 是至关重要的.
- 由于复杂活动的标记数据有限,HAR模型难以概括.
研究的目的:
- 开发一个新的网络,转移组件分析-双向长期短期记忆 (TCA-BiLSTM),以增强HAR泛化.
- 为了应对基于传感器的HAR中标记数据不足的挑战.
主要方法:
- 在复制内核希尔伯特空间 (RKHS) 中使用最大平均差异 (MMD) 的转移组件分析 (TCA) 进行域调整.
- 采用双层双向长期短期记忆 (BiLSTM) 网络,用于活动分类的融合注意力机制.
- 调整来自不同身体部位的传感器数据,以促进跨域HAR数据映射.
主要成果:
- 与DSAN和FNET等最先进的方法相比,TCA-BiLSTM显示出更高的性能.
- 在DSADS和PAMAP2数据集上实现了6.1%的性能改进,相比DSAN和2.5%的FNET.
- 在TCA域调整后有效捕获多细分活动信息.
结论:
- 拟议的TCA-BiLSTM网络显著提高了基于传感器的HAR的概括性.
- 合并的注意力机制在域调整后增强了未见的活动的分类.
- TCA-BiLSTM 提供了一个有前途的解决方案,用于在现实应用中使用有限的标记数据来实现强大的 HAR.
