[论文解读] From User-independent to Personal Human Activity Recognition Models Exploiting the Sensors of a Smartphone

Pekka Siirtola, Heli Koskimäki+1 more|arXiv (Cornell University)|May 29, 2019

Context-Aware Activity Recognition Systems参考文献 7被引用 5

一句话总结

本文提出一种基于智能手机的两阶段人体活动识别方法：首先通过传感器融合无感标注个人数据，随后训练轻量级、单传感器的用户特定模型，实现高效且准确的识别。该方法在10种情况中的9种下相比传统用户无关模型提升了准确率，使用LDA和QDA分类器时平均准确率提升达3–4%。

ABSTRACT

In this study, a novel method to obtain user-dependent human activity recognition models unobtrusively by exploiting the sensors of a smartphone is presented. The recognition consists of two models: sensor fusion-based user-independent model for data labeling and single sensor-based user-dependent model for final recognition. The functioning of the presented method is tested with human activity data set, including data from accelerometer and magnetometer, and with two classifiers. Comparison of the detection accuracies of the proposed method to traditional user-independent model shows that the presented method has potential, in nine cases out of ten it is better than the traditional method, but more experiments using different sensor combinations should be made to show the full potential of the method.

研究动机与目标

• 开发一种无需单独数据采集会话即可创建个性化人体活动识别模型的方法。
• 通过在初始传感器融合标注后使用轻量级单传感器模型，降低计算负载与能耗。
• 通过利用用户在正常智能手机使用过程中收集的用户特定数据，提升识别准确率，超越传统用户无关模型。
• 在多个受试者和分类器上评估该方法的性能，确保其适用于24/7智能手机部署。

提出的方法

• 使用加速度计和磁力计信号的56个特征（时域与频域）训练基于传感器融合的用户无关模型，通过平方和归一化去除重力分量。
• 通过该模型实时流式分类数据，并利用其预测结果作为标签，在正常使用过程中无感收集个人训练数据。
• 仅使用从加速度计数据幅值中提取的19个特征训练单传感器用户特定模型，重点关注标准差、最小/最大值及百分位数偏差。
• 使用顺序前向选择（SFS）进行特征选择，以保留各模型中最具描述性的特征。
• 通过在三个连续1秒窗口上使用多数投票法对分类结果进行平滑处理，以减少活动转换期间的误分类。
• 采用两种分类器——线性判别分析（LDA）与二次判别分析（QDA）——以评估不同模型类型下的性能表现。

实验结果

研究问题

• RQ1 是否可以仅在正常使用智能手机过程中利用其传感器，无需单独的数据采集会话，训练用户特定的人体活动识别模型？
• RQ2 两阶段模型（先通过传感器融合标注，再进行单传感器个性化）相比传统用户无关模型，在多大程度上提升了识别准确率？
• RQ3 所提方法在不同受试者和分类器（LDA与QDA）下的性能表现如何？
• RQ4 传感器融合模型的标签质量对最终用户特定模型准确率的影响如何？

主要发现

• 所提方法在10种情况中的9种下相比传统用户无关模型提升了识别准确率，使用LDA时平均提升4.1%，使用QDA时平均提升3.6%。
• 受试者特定的准确率提升范围为1.6%（受试者1，LDA）至12.8%（受试者5，QDA），表明具有显著的个性化潜力。
• 基于传感器融合的用户无关模型平均准确率为85.6%（LDA）和86.6%（QDA），但受试者间性能差异显著，表明标签质量存在局限。
• 尽管平均提升幅度适中，该方法展示了仅使用智能手机传感器即可实现无感、连续的个人模型训练的可行性。
• 由于最终用户特定模型计算成本极低，该方法在24/7部署方面具有前景，但初始模型的标签不准确限制了最大性能提升。
• 未来工作应测试该方法在更多传感器组合和更大数据集上的表现，以充分释放其潜力。