研究人员提出了用于活动检测可穿戴设备的AI框架

活动检测可穿戴设备并不完全新颖 - Apple Watch，Fitbit的健身可穿戴设备阵容，以及运行Google WearOS解释动作的无数智能手表，以确定您是慢跑而不是走路。但是，许多基于其功能的算法模型需要大量人工生成的训练数据，并且如果没有手工标记，通常他们无法使用该数据。

幸运的是，马萨诸塞州阿默斯特大学的研究人员已经开发出一种节省劳力的解决方案，他们说这可以节省宝贵的时间。在预印本服务器Arxiv.org上发表的一篇论文(“ 基于少量学习的人类活动识别 ”)中，他们描述了几种学习技术 - 一种用少量标记的训练数据来教授AI模型的技术。从相关任务转移知识 - 针对基于可穿戴传感器的活动识别进行了优化。

“由于获取......活动数据的高成本以及活动模式之间普遍存在的相似性，从现有活动识别模型借用信息比收集更多数据以从头开始训练新模型更有效率只有少数数据是可用于模型训练，“该论文的作者写道。“提出的几次人体活动识别方法利用深度学习模型进行特征提取和分类，而知识传递则以模型参数传递的方式进行。”

具体而言，该团队设计了一个框架 - 少数人类活动识别(FSHAR) - 包括三个步骤。首先，深度学习模型 - 特别是长期短期记忆(LSTM)网络，一种可以捕获长期依赖性的递归神经网络 - 将低级传感器输入转换为高级语义信息，用样本进行训练。接下来，从数学上辨别出与学习目标任务(或任务)相关或有帮助的数据，并将其与不相关的数据分开。最后，网络的参数 - 即从历史训练数据中机器学习的变量 - 在它们被传送到目标网络之前被微调。

为了验证他们的方法，研究人员使用来自两个基准数据集的331个样本进行了实验：机会活动识别数据集(OPP)，其中包括来自四个参与者的共同厨房活动，其中可穿戴传感器记录在五个不同的运行中，以及身体活动监测数据设置(PAMAP2)，包括来自9个可穿戴设备参与者的12个家庭和锻炼活动。

与基线相比，他们声称FSHAR方法“几乎总能”达到最佳性能。

他们写道：“通过提出的框架，即使每个班级只有很少的培训样本，也可以实现满足人类活动识别结果。” “实验结果表明，框架优于没有知识转移的方法，或者只传递特征提取器的知识。”