在本文中,我们报告了使用运动传感器对复杂人类活动分类的分层深度学习模型。与用于基于事件的活动识别的传统人类活动识别(HAR)模型相反,例如阶跃计数,秋季检测和手势识别,这种新的深度学习模型,我们称为魅力(复杂的人类活动识别模型) ,旨在识别高级人类活动,这些活动由非确定性序列中的多个不同的低级活动组成,例如餐食准备,家务和日常工作。魅力不仅优于最先进的监督学习方法,以平均准确性和F1分数来识别高级活动的识别,而且还自动学习识别低级活动,例如操纵手势和运动模式,没有此类活动的任何明确标签。这为使用可穿戴的传感器开辟了新的人机互动(HMI)方式的新途径,用户可以选择将自动化任务与高级活动相关联,例如控制家庭自动化(例如机器人真空吸尘器,灯光,灯光和恒温器)或在正确的时间介绍上下文相关信息(例如,提醒,状态更新和天气/新闻报道)。此外,仅使用高级活动标签进行培训时,学习低级用户活动的能力可能会为半监督的学习HAR任务铺平道路。
translated by 谷歌翻译