用于从高度未标记的移动传感器数据中识别人类活动的深度图CNN

人体活动识别(HAR)目前应用于健康监测和健身。然而，目前的方法需要手动注释，这可能很昂贵并且容易出现人为错误。

最近发表在arXiv.org上的一篇论文表明，人类活动遵循时间相关性，这可以提供信息背景以改善HAR。

通过对两个常用的HAR数据集进行实验来证明这一假设：一个在野外收集，另一个以脚本方式收集。研究人员提出了深度图CNN(GCNN)，其性能优于替代RNN和CNN基准。HAR中的图表示允许将每个活动建模为一个节点，而图边对这些活动之间的关系进行建模。

结果表明，所提出的模型受益于这种相关性，可用于预测相邻的缺失活动。

从移动传感器数据中识别人类活动的问题适用于多个领域，例如健康监测、个人健身、日常生活记录和高级护理。训练人类活动识别模型的一个关键挑战是数据质量。获取包含准确活动标签的平衡数据集需要人类实时正确注释并可能干扰受试者的正常活动。尽管可能有错误的注释或缺少注释，但人类行为通常有一个内在的年表。例如，我们在运动后洗澡。这种隐含的年表可用于学习未知标签并对未来的活动进行分类。在这项工作中，我们提出了HAR-GCCN，一种深度图CNN模型，它利用时间顺序相邻的传感器测量值之间的相关性来预测具有至少一个活动标签的未分类活动的正确标签。我们提出了一种新的训练策略，强制模型通过利用已知的活动标签来预测缺失的活动标签。HAR-GCCN相对于以前使用的基线方法表现出更出色的性能，在不同的数据集上将分类准确度提高了约25%和高达68%。代码可在在不同的数据集上将分类精度提高约25%和高达68%。代码可在在不同的数据集上将分类精度提高约25%和高达68%。代码可在这个https网址。