使用无监督学习与迪里克莱特多项式混合模型从日常生活声音中识别活动
Ken Sadohara1, Natsuki Miyata1
1National Institute of Advanced Industrial Science and Technology (AIST), 2-3-26 Aomi, Koto-ku, Tokyo 135-0064, Japan.
Sensors (Basel, Switzerland)
|March 14, 2026
概括
这项研究引入了一种无监督学习方法,用于使用家庭声音识别老年人的日常活动. 这种方法尽量减少数据需求,支持单独生活的老年人的环境辅助生活.
科学领域:
- 人工智能的人工智能
- 机器学习 机器学习
- 信号处理 信号处理
背景情况:
- 环境辅助生活对于独自生活的老年人来说至关重要.
- 活动识别系统通常需要大量的标记数据,增加成本.
- 家庭声音包含有关日常活动的丰富信息.
研究的目的:
- 开发一种具有成本效益的方法,使用家庭声音识别老年人的日常活动.
- 减少对标记数据的依赖,以开发活动识别模型.
- 支持环境辅助生活倡议.
主要方法:
- 使用迪里克莱特多项式混合模型的无监督学习方法.
- 模拟神经音频编码器代码的生成过程,以潜在活动为条件.
- 扩展模型以处理来自不同声音方向的多个音频代码流.
主要成果:
- 拟议的无监督学习方法有效地将日常活动与家庭声音集成在一起.
- 处理多个音频代码流可以提高活动集群的准确性.
- 该模型利用代码发生模式的突发性来实现更好的识别.
结论:
- 开发的迪里克莱特多项混合模型为活动识别提供了一种可行的无监督方法.
- 这种方法显著减少了对标记数据和用户查询的需求.
- 这种方法是可扩展环境辅助生活系统的关键组成部分.
