用于從高度未標記的移動傳感器數據中識別人類活動的深度圖CNN

人體活動識別(HAR)目前應用于健康監測和健身。然而，目前的方法需要手動注釋，這可能很昂貴并且容易出現人為錯誤。

最近發表在arXiv.org上的一篇論文表明，人類活動遵循時間相關性，這可以提供信息背景以改善HAR。

通過對兩個常用的HAR數據集進行實驗來證明這一假設：一個在野外收集，另一個以腳本方式收集。研究人員提出了深度圖CNN(GCNN)，其性能優于替代RNN和CNN基準。HAR中的圖表示允許將每個活動建模為一個節點，而圖邊對這些活動之間的關系進行建模。

結果表明，所提出的模型受益于這種相關性，可用于預測相鄰的缺失活動。

從移動傳感器數據中識別人類活動的問題適用于多個領域，例如健康監測、個人健身、日常生活記錄和高級護理。訓練人類活動識別模型的一個關鍵挑戰是數據質量。獲取包含準確活動標簽的平衡數據集需要人類實時正確注釋并可能干擾受試者的正常活動。盡管可能有錯誤的注釋或缺少注釋，但人類行為通常有一個內在的年表。例如，我們在運動后洗澡。這種隱含的年表可用于學習未知標簽并對未來的活動進行分類。在這項工作中，我們提出了HAR-GCCN，一種深度圖CNN模型，它利用時間順序相鄰的傳感器測量值之間的相關性來預測具有至少一個活動標簽的未分類活動的正確標簽。我們提出了一種新的訓練策略，強制模型通過利用已知的活動標簽來預測缺失的活動標簽。HAR-GCCN相對于以前使用的基線方法表現出更出色的性能，在不同的數據集上將分類準確度提高了約25%和高達68%。代碼可在在不同的數據集上將分類精度提高約25%和高達68%。代碼可在在不同的數據集上將分類精度提高約25%和高達68%。代碼可在這個https網址。