人类行为越来越多地在移动设备上捕获,从而增加了对自动人类活动识别的兴趣。但是,现有数据集通常由脚本运动组成。我们的长期目标是在自然环境中执行移动活动识别。我们收集一个数据集,以支持与下游任务(例如健康监测和干预)相关的活动类别。由于人类行为中存在巨大的差异,因此我们收集了两个不同年龄段的许多参与者的数据。由于人类行为会随着时间的流逝而改变,因此我们还在一个月的时间内收集参与者的数据以捕捉时间漂移。我们假设移动活动识别可以受益于无监督的域适应算法。为了满足这一需求并检验这一假设,我们分析了整个人和整个时间的域适应性的性能。然后,我们通过对比度学习来增强无监督的域适应性,并在可用标签比例时进行弱监督。该数据集可在https://github.com/wsu-casas/smartwatch-data上找到
translated by 谷歌翻译