研究论文

基于多传感器的穿戴式人体活动识别的动态传感器间关联学习框架

作者:

英松罗作者信息和声明

ACM互动、移动、穿戴和普及技术会议录,体积6,问题三

文章编号：130，页数1-25

https://doi.org/10.1145/3550331

出版:2022年9月7日出版历史

获取访问权限

摘要

基于多传感器的可穿戴人体活动识别（WHAR）是普适计算领域的研究热点。从多传感器数据中提取有效特征对于提高活动识别性能至关重要。尽管以前的工作取得了卓越的成就，但对传感器之间的动态相关性建模仍然存在挑战。本文提出了一种轻量级、高效的基于GCN的动态传感器间相关性学习框架DynamicWHAR，用于自动学习传感器间的动态相关性。DynamicWHAR主要由两个模块组成：初始特征提取和动态信息交互。首先，初始特征提取模块进行数据到特征的转换，提取每个传感器的初始特征。随后，动态信息交互模块显式地建模任意两个传感器之间的特定交互强度，并根据学习的交互强度在传感器之间进行动态信息聚合。在四个不同的WHAR数据集和两个不同的资源受限设备上进行的大量实验验证了DynamicWHAR在识别性能和计算复杂性方面优于SOTA模型。

工具书类

[1]

Alireza Abedin、Mahsa Ehsanpour、Qinfeng Shi、Hamid Rezatofighi和Damith C Ranasinghe。2021.参与和甄别：超越使用可穿戴传感器进行人类活动识别的最先进技术。ACM互动、移动、可穿戴和普及技术会议录5，1（2021），1-22。

数字图书馆

[2]

Oresti Baños、Miguel Damas、Héctor Pomares、Ignacio Rojas、MátéAttila tóth和Oliver Amft。2012.评估活动识别中传感器位移的基准数据集。《ACM普及计算会议论文集》。1026--1035.

[3]

凌宝和斯蒂芬·辛蒂尔。2004年，从用户公布的加速数据中识别活动。《普及计算国际会议论文集》。1--17.

[4]

大卫·布费利和法比奥·范丁。2021.基于注意力的深度学习框架，用于用户自适应的人类活动识别。IEEE传感器杂志21，12（2021），13474--13483。

[5]

安德烈亚斯·布林（Andreas Bulling）、杰米·沃德（Jamie A Ward）、汉斯·盖勒森（Hans Gellersen）和格哈德·特罗斯特（Gerhard Tröster）。2010年。使用眼电图进行活动识别的眼动分析。IEEE模式分析和机器智能汇刊33，4（2010），741--753。

数字图书馆

[6]

曹哲（Zhe Cao）、西蒙（Tomas Simon）、魏世恩（Shih-En Wei）和谢赫（Yaser Sheikh）。2017.使用部分亲和字段的实时多人2d姿势估计。IEEE计算机视觉和模式识别会议论文集。7291--7299.

[7]

陈玲、张毅、苗胜欢、朱思若、胡蓉、彭良英、吕明琪。2022年。销售：基于人类活动识别的多个可穿戴传感器的无监督用户适应模型。IEEE移动计算汇刊（2022），1-12。

[8]

陈雨欣、张子柒、袁淳风、李冰、邓莹和胡伟明。2021。基于骨架的动作识别的通道拓扑细化图卷积。IEEE/CVF计算机视觉国际会议论文集。13359--13368.

[9]

陈宇文、钟昆华、张菊、孙奇龙和赵雪亮。2016年，用于移动人类活动识别的LSTM网络。《国际人工智能会议论文集：技术与应用》。24--25.

[10]

Saisakul Chernbumroong、Shuang Cang、Anthony Atkins和Hongnian Yu。2013年，老年人活动识别和分类在辅助生活中的应用。应用专家系统40，5（2013），1662-1674。

数字图书馆

[11]

马库斯·埃德尔和恩里科·科普。2016。基于二进制BLSTM-RNN的人类活动识别。《国际室内定位和室内导航会议记录》。1--7.

[12]

大卫·菲戈（Davide Figo）、佩德罗·迪尼兹（Pedro C Diniz）、迪奥戈·费雷拉（Diogo R Ferreira）和若昂（Joao）议员卡多佐（Cardoso）。2010年，加速度计数据上下文识别的预处理技术。个人与普适计算14，7（2010），645--662。

数字图书馆

[13]

于冠（Yu Guan）和托马斯·普洛茨（Thomas Plötz）。2017年，LSTM深度学习者集合使用可穿戴设备进行活动识别。《ACM互动、移动、穿戴和普及技术会议录》1，2（2017），1-28。

数字图书馆

[14]

Sojeong Ha和Seungjin Choi。2016.使用多个加速计和陀螺仪传感器进行人类活动识别的卷积神经网络。神经网络国际联合会议论文集。381--388.

[15]

韩金东、何媛、刘娟、张倩倩和靖晓军。2019.GraphConvLSTM：使用可穿戴传感器进行活动识别的时空学习。IEEE全球通信会议论文集。1--6.

数字图书馆

[16]

Harish Haresamudram、Irfan Essa和Thomas Plötz。2021.人类活动识别的对比预测编码。ACM互动、移动、可穿戴和普及技术会议录5，2（2021），1-26。

数字图书馆

[17]

石岛秀也、细川贤介、开坤泽、纪光一和安德烈亚斯·丹格尔。2017.走向野外阅读跟踪器：通过EOG眼镜和深层神经网络检测阅读活动。在ACM普及和普适计算国际联合会议记录和ACM可穿戴计算机国际研讨会记录中。704--711.

数字图书馆

[18]

Will Kay、Joao Carreira、Karen Simonyan、Brian Zhang、Chloe Hillier、Sudheendra Vijayanarasimhan、Fabio Viola、Tim Green、Trevor Back、Paul Natsev等，2017年。动力学人体动作视频数据集。arXiv预印arXiv:1705.06950（2017）。

[19]

Diederik P Kingma和Jimmy Ba.2015。亚当：一种随机优化方法。《国际学习代表大会论文集》。1--15.

[20]

Kwon、Catherine Tong、Harish Haresamudram、Yan Gao、Gregory D Abowd、Nicholas D Lane和Thomas Ploetz。2020年，IMUTube：从视频中自动提取虚拟人体加速度，用于人类活动识别。ACM互动、移动、可穿戴和普及技术会议录4，3（2020），1-29。

数字图书馆

[21]

Kwon、Wang Bingyao、Gregory D Abowd和Thomas Plötz。2021.接近真实世界：利用虚拟IMU数据支持活动识别训练。ACM互动、移动、可穿戴和普及技术会议录5，3（2021），1-32。

数字图书馆

[22]

李松美、桑敏妍和赵海妍。2017年。使用卷积神经网络从加速度计数据中识别人类活动。IEEE挖掘数据和智能计算国际会议论文集。131--134.

[23]

李成林、童嘉丽、妞妞、北江、小左、雷成、熊健和杨建明。2021.用于鲁棒人类活动识别的相似性嵌入网络。ACM《数据知识发现汇刊》15，6（2021），1-17。

[24]

李超、钟巧勇、谢迪和蒲世良。2017.基于骨架的动作识别与卷积神经网络。IEEE多媒体与展览研讨会国际会议记录。597--600.

[25]

李超、钟巧勇、谢迪和蒲世良。2018.Co-occurrence特征从骨架数据中学习，用于通过分层聚合进行动作识别和检测。arXiv预印arXiv:1804.06055（2018）。

数字图书馆

[26]

刘军（Jun Liu）、阿米尔·沙鲁迪（Amir Shahroudy）、毛里西奥·佩雷斯（Mauricio Perez）、王刚（Gang Wang）、段玲玉（Ling-Yu Duan）和亚历克斯·科特（Alex C Kot）。2019.Ntu rgb+d 120：三维人类活动理解的大规模基准。IEEE模式分析和机器智能汇刊42，10（2019），2684-2701。

数字图书馆

[27]

刘胜忠、姚朔超、黄一飞、刘东新、邵华杰、赵一冉、李金阳、王天石、王瑞杰、杨朝琦等，2020年。用门控图神经网络处理拓扑感知物联网应用中缺少的传感器。《ACM互动、移动、可穿戴和无所不在技术学报》4，3（2020），1-31。

数字图书馆

[28]

刘胜忠、姚朔超、李金阳、刘东新、王天石、邵华杰和塔雷克·阿卜杜勒扎尔。2020年，GlobalFusion：多传感器信息融合的全球注意力深度学习框架。ACM互动、移动、可穿戴和普及技术会议录4，1（2020），1-27。

数字图书馆

[29]

刘子玉、张洪文、陈正浩、王志勇、欧阳万里。2020年。基于骨架的动作识别的解开和统一图卷积。IEEE/CVF计算机视觉和模式识别会议论文集。143--152.

数字图书馆

[30]

罗东生、魏成、余文超、宗波、倪京超、陈海峰、张翔。2021.学会丢弃：通过拓扑去噪的鲁棒图神经网络。《ACM网络搜索和数据挖掘国际会议论文集》。779--787.

数字图书馆

[31]

马浩杰（Haojie Ma）、李文忠（Wenzhong Li）、张晓（Xiao Zhang）、高松成（Songcheng Gao）和陆桑璐（Sanglu Lu）。2019年。AttnSense：多模态人类活动识别的多级注意机制。《国际人工智能联合会议论文集》。3109--3115.

[32]

马浩杰、张志杰、李文忠和陆桑璐。2021。无监督的人类活动表征学习与多任务深度聚类。ACM互动、移动、可穿戴和无处不在技术论文集5，1（2021），1-25。

数字图书馆

[33]

Vishvak S Murahari和Thomas Plötz。2018年，关于人类活动识别的注意力模型。美国计算机学会可穿戴计算机国际研讨会论文集。100--103.

数字图书馆

[34]

弗朗西斯科·哈维尔·奥尔多涅斯（Francisco Javier Ordóñez）和丹尼尔·罗根（Daniel Roggen）。2016.用于多模式可穿戴活动识别的深度卷积和LSTM递归神经网络。传感器16，1（2016），115。

[35]

Adam Paszke、Sam Gross、Francisco Massa、Adam Lerer、James Bradbury、Gregory Chanan、Trevor Killeen、Zeming Lin、Natalia Gimelshein、Luca Antiga等，2019年。PyTorch：一个命令式、高性能的深度学习库。《神经信息处理系统进展论文集》。8026--8037.

[36]

钱航伟、潘信诺和苗春燕。2018年。通过从分布中学习基于传感器的活动识别。在AAAI人工智能会议记录中。6262--6269.

[37]

夏庆新、Atsushi Wada、Joseph Korpela、Takuya Maekawa和Yasuo Namioka。2019.使用过程说明信息，使用可穿戴传感器进行无监督工厂活动识别。ACM互动、移动、可穿戴和普适技术会议录3，2（2019），1-23。

数字图书馆

[38]

Daniel Roggen、Alberto Calatroni、Mirco Rossi、Thomas Holleczek、Kilian Förster、Gerhard Tröster、Paul Lukowicz、David Bannach、Gerald Pirkl、Alois Ferscha等，2010年。在高度丰富的网络传感器环境中收集复杂的活动数据集。网络传感系统国际会议论文集。233--240.

[39]

夏莉莎·安·罗诺（Charissa Ann Ronao）和宋百秋（Sung-Bae Cho）。2015.使用智能手机传感器进行人类活动识别的深度卷积神经网络。神经信息处理国际会议论文集。46--53.

[40]

Amir Shahroudy、Jun Liu、Tian Tsong Ng和Gang Wang。2016年，Ntu rgb+d：用于三维人类活动分析的大规模数据集。IEEE计算机视觉和模式识别会议论文集。1010--1019.

[41]

2019年，雷石、张一凡、程健和陆汉清。基于骨架的动作识别的双流自适应图卷积网络。IEEE/CVF计算机视觉和模式识别会议论文集。12026--12035.

[42]

宋一凡、张章、单彩凤和王亮。2020年。更强、更快、更易于解释：基于骨架的动作识别的图卷积基线。ACM多媒体国际会议论文集。1625--1633.

数字图书馆

[43]

Thomas Stiefmeier、Daniel Roggen、Georg Ogris、Paul Lukowicz和Gerhard Tröster。2008年。汽车制造中的可穿戴活动跟踪。IEEE普适计算7，2（2008），42-50。

数字图书馆

[44]

Allan Stisen、Henrik Blunck、Sourav Bhattacharya、Thor Siiger Prentow、Mikkel Baun Kjírgaard、Anind Dey、Tobias Sonne和Mads Moller Jensen。2015年。智能设备有所不同：评估和缓解活动识别的移动传感异质性。在ACM嵌入式网络传感器系统会议记录中。127--140.

数字图书馆

[45]

Timo Sztyler和Heiner Stuckenschmidt。2016年，可穿戴设备的体内本地化：位置感知活动识别调查。IEEE普及计算与通信国际会议论文集。1--9.

[46]

Chi Ian Tang、Ignacio Perez-Pozuelo、Dimitris Spatis、Soren Brage、Nick Wareham和Cecilia Mascolo。2021.SelfHAR：通过使用未标记数据进行自我训练，提高人类活动识别能力。美国计算机学会交互式、移动、可穿戴和无处不在技术论文集5，1（2021），1-30。

数字图书馆

[47]

阿什什·瓦斯瓦尼（Ashish Vaswani）、诺姆·沙泽尔（Noam Shazeer）、尼基·帕尔玛（Niki Parmar）、雅各布·乌斯科雷特（Jakob Uszkoreit）、利昂·琼斯（Llion Jones）、艾丹·戈麦斯（Aidan N Gomez）、尤卡斯·凯泽（ukasz Kaiser。2017年。你所需要的就是关注。神经信息处理系统进展论文集。5998--6008.

[48]

王重阳、高远、阿基尔·马图尔、阿曼达·C·德·C·威廉姆斯、尼古拉斯·D·莱恩和娜迪娅·比安奇·贝图兹。2021.利用活动识别实现连续数据中的保护行为检测。ACM互动、移动、可穿戴和普及技术会议录5，2（2021），1-27。

数字图书馆

[49]

王锐、陈方林、陈振宇、李天兴、加布里埃拉·哈拉里、斯蒂芬妮·蒂格诺、夏周、德罗·本·泽夫和安德鲁·坎贝尔。2014.学生生活：评估使用智能手机的大学生的心理健康、学习成绩和行为趋势。ACM国际普适计算联合会议论文集。3--14.

数字图书馆

[50]

芮熙、侯梦淑、傅明生、曲宏和刘代波。2018年。人类活动识别多模态时间序列的深度扩展卷积。神经网络国际联合会议论文集。1--8.

[51]

严思杰，熊元军，林大华。2018。基于骨架的动作识别的时空图卷积网络。在AAAI人工智能会议记录中。7444--7452.

[52]

杨建波（Jianbo Yang）、阮敏恩（Minh Nhut Nguyen）、桑菲（Phyo Phyo San）、李小丽（Xiao Li）和肖纳利·克里希纳斯瓦米（Shonali Krishnaswamy）。2015.用于人类活动识别的多通道时间序列深度卷积神经网络。《国际人工智能联合会议论文集》。3995--4001.

[53]

姚朔超、胡绍涵、赵一冉、张亚斯顿和塔雷克·阿卜杜勒扎尔。2017.DeepSense：用于时间序列移动感知数据处理的统一深度学习框架。在万维网国际会议记录中。351--360.

数字图书馆

[54]

姚朔超、赵一冉、邵华杰、刘东新、刘胜忠、郝一凡、朴爱玲、胡少汉、苏璐和塔雷克·阿卜杜勒扎尔。2019.SADeepSense：物联网应用中异构设备上传感器的自注意深度学习框架。IEEE INFOCOM-IEEE计算机通信会议论文集。1243--1251.

数字图书馆

[55]

叶凡凡、蒲世良、钟巧勇、李超、谢迪、汤慧明。2020年。动态GCN：基于骨架的动作识别的上下文丰富拓扑学习。ACM多媒体国际会议论文集。55--63.

数字图书馆

[56]

张鹏飞、蓝翠玲、邢俊良、曾文军、薛建儒、郑南宁。2017.查看自适应递归神经网络，以从骨骼数据进行高性能人类行为识别。IEEE计算机视觉国际会议论文集。2117--2126.

[57]

张锡坤、徐畅、田新梅和陶大成。2019.用于基于骨架的动作识别的图边缘卷积神经网络。IEEE神经网络和学习系统汇刊31，8（2019），3047-3060。

[58]

张正友。2012.微软kinect传感器及其效果。IEEE多媒体19，2（2012），4-10。

数字图书馆

引用人

艾哈迈德·N梁H(2024)超级HARACM互动、移动、穿戴和普及技术会议录10.1145/36435118:1(1-29)在线发布日期：2024年3月6日
https://dl.acm.org/doi/10.1145/3643511
苗族S陈雷胡R(2024)用于多设备穿戴式人体活动识别的时空掩蔽自动编码器ACM互动、移动、穿戴和普及技术会议录10.1145/36314157:4(1-25)在线发布日期：2024年1月12日
https://dl.acm.org/doi/10.1145/3631415
陈雷胡R吴明（Wu M）周X(2023)HMGAN公司ACM互动、移动、穿戴和普及技术会议录10.1145/36109097:3(1-27)在线发布日期：2023年9月27日
https://dl.acm.org/doi/10.1145/3610909
显示更多引用者

索引术语

基于多传感器的穿戴式人体活动识别的动态传感器间关联学习框架
1. 计算方法
  1. 机器学习
    1. 机器学习方法
      1. 神经网络
2. 以人为中心的计算
  1. 无处不在的移动计算
    1. 无处不在和移动计算理论、概念和范例
      1. 移动计算

建议

以人体活动识别为中心的可穿戴传感器在医疗领域的应用研究
集锦
- 讨论不同传感器模式的局限性和优势。
- 专注于。。。
摘要
预期寿命的增加加上出生率的下降导致人口结构老龄化。衰老引起的变化，如身体或认知能力下降，可能影响人们的生活质量，导致受伤、精神。。。
阅读更多信息
使用耐磨加速度计进行活动检测的传感器布置
BSN’10：2010年人体传感器网络国际会议论文集

日常生活活动对于评估一般人群，尤其是老年人和慢性病患者的身体和行为特征随时间的变化很重要。尽管加速计与……广泛集成。。。
阅读更多信息
基于穿戴式传感器的活动识别的无监督学习研究
摘要
人类活动识别（HAR）是各种应用程序中的一项基本任务，例如普及医疗、智能环境、安全和监视。开发精确HAR系统的需求促使研究人员提出了各种。。。
集锦
- 在可穿戴传感器数据集中采用无监督学习。
- 调查人类活动认知的演变。
- 现有的基于可穿戴传感器的数据集和最先进的聚类方法。
- 现有数据。。。
阅读更多信息

评论

信息和贡献者

问询处

发布于

ACM关于交互式、移动、可穿戴和无处不在技术的封面图片会议录

ACM互动、移动、穿戴和普及技术会议录第6卷第3期

2022年9月

1612页

EISSN公司：2474-9567

内政部：10.1145/3563014

版权所有©2022 ACM。

如果复制品不是为了盈利或商业利益而制作或分发的，并且复制品的第一页载有本通知和完整引文，则允许免费制作本作品的全部或部分数字或硬拷贝以供个人或课堂使用。必须尊重ACM以外的其他人对本作品组成部分的版权。允许用信用证进行摘要。要以其他方式复制或重新发布，在服务器上发布或重新发布到列表，需要事先获得特定许可和/或付费。从请求权限[电子邮件保护]

出版商

计算机协会

美国纽约州纽约市

出版历史

出版：2022年9月7日

在IMWUT中发布体积6,问题三

权限

请求对此文章的权限。

检查更新

作者标记

限定符

研究文章
研究
推荐

贡献者

其他指标

查看文章指标

文献计量学和引文

文献计量学

文章指标

6
引文总数
查看引文
880
总下载次数

下载量（最近12个月）440
下载次数（最近6周）24

其他指标

查看作者指标

引文

引用人

艾哈迈德·N梁H(2024)超级HARACM互动、移动、穿戴和普及技术会议录10.1145/36435118:1(1-29)在线发布日期：2024年3月6日
https://dl.acm.org/doi/10.1145/3643511
苗族S陈雷胡R(2024)用于多设备穿戴式人体活动识别的时空掩蔽自动编码器ACM互动、移动、穿戴和普及技术会议录10.1145/36314157:4(1-25)在线发布日期：2024年1月12日
https://dl.acm.org/doi/10.1145/3631415
陈雷胡R吴明（Wu M）周X(2023)HMGAN公司ACM互动、移动、穿戴和普及技术会议录10.1145/36109097:3(1-27)在线发布日期：2023年9月27日
https://dl.acm.org/doi/10.1145/3610909
张Y胡Z伯杰大学平移S(2023)CMA：用于室内乘员感知的可穿戴和结构振动信号段之间的交叉模式关联第22届传感器网络信息处理国际会议论文集10.1145/3583120.3586960(96-109)在线发布日期：2023年5月9日
https://dl.acm.org/doi/10.1145/3583120.3586960
苏（Suh S）雷伊五世Lukowicz P公司(2023)任务基于知识的系统2016年10月10日/j.knosys.2022.110143260：C在线发布日期：2023年1月25日
https://dl.acm.org/doi/10.1016/j.knosys.2022.110143
曲Y唐Y杨X文Y张伟(2023)基于可穿戴传感器的半监督人体活动识别的上下文交互学习应用专家系统：国际期刊2016年10月10日/j.eswa.2023.119679219：C在线发布日期：2023年6月1日
https://dl.acm.org/doi/10.1016/j.eswa.2023.119679

视图选项

获取访问权限

登录选项

检查您是否可以通过登录凭据或您的机构访问本文。

完全访问权限

获取此文章

查看选项

PDF格式

以PDF文件查看或下载。

电子阅读器

使用联机查看电子阅读器.

电子阅读器

媒体

数字

其他

桌子

查看问题目录