一个用于使用多传感器特征对齐的可穿戴人类活动识别的新领域适应框架
Prawar Chaudhary1, Chintan Singh2, Roobal Chaudhary3
1School of Basic and Applied Sciences, K. R. Mangalam University, Gurugram, Haryana, India.
Biotechnology and applied biochemistry
|January 13, 2026
概括
本研究介绍了多传感器自适应特征调整网络 (MSAFAN),以改善穿戴式人类活动识别 (HAR) 在不同用户和传感器之间. 新模型提高了准确性和概括性,同时降低了边缘AI应用程序的计算成本.
科学领域:
- 穿戴式计算是一种可穿戴的计算.
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 人类活动识别 (HAR) 模型由于用户和传感器放置的域移动而面临性能下降.
- 现有的无监督域调整 (UDA) 模型在可穿戴式 HAR 中与强大的交叉传感器通用化作斗争.
研究的目的:
- 开发一种新的自适应网络,即多传感器自适应特征对齐网络 (MSAFAN),用于在可穿戴式HAR中进行强大的跨传感器概括.
- 解决领域转移问题,并提高HAR模型在现实世界可穿戴应用中的性能和效率.
主要方法:
- 集成传感器特定规范化层 (SSNL) 进行传感器智能的适应.
- 混合多项式特征转换 (HPFT) 和条件对齐损失 (CAL) 的应用用于特征对齐.
- 利用率导向伪标签 (EGPL) 来提高对类的适应性和泛化.
主要成果:
- 在四个基准数据集中,MSAFAN表现出显著的改进,宏观F1得分增加了8.4%,准确性增加了10.3%.
- 与最先进的UDA模型相比,该框架实现了26%的计算成本降低.
- 观察到稳定的收,高效的适应和可扩展的性能.
结论:
- MSAFAN提供了一个强大的解决方案,用于穿戴式HAR的跨传感器概括,有效地减轻领域转移的挑战.
- 拟议的框架的效率和可扩展性使其适合在边缘人工智能和可穿戴计算中实时部署.
- 这项研究通过提供更具适应性和计算效率的模型来推进可穿戴 HAR 的领域.
