Limu-Bert

Deep Learning stärkt Inertial Measurement Unit (IMU) Sensoren erheblich für verschiedene mobile Sensierungsanwendungen, einschließlich der Erkennung menschlicher Aktivitäten, der Mensch-Computer-Interaktion, Lokalisierung und Verfolgung sowie vieler weiterer Anwendungen. Die meisten bestehenden Arbeiten erfordern erheblich große Mengen an gut kuratierten, gekennzeichneten Daten, um IMU-basierte Sensormodelle zu trainieren, was hohe Kosten für die Annotation und das Training verursacht. Im Vergleich zu gekennzeichneten Daten sind unlabeled IMU-Daten reichlich vorhanden und leicht zugänglich. In dieser Arbeit präsentieren wir LIMU-BERT, ein neuartiges Modell für das Lernen von Repräsentationen, das unlabeled IMU-Daten nutzen und verallgemeinerte anstatt auf spezifische Aufgaben zugeschnittene Merkmale extrahieren kann. LIMU-BERT übernimmt das Prinzip des selbstüberwachten Trainings des natürlichen Sprachmodells BERT, um zeitliche Beziehungen und Merkmalsverteilungen in IMU-Sensormessungen effektiv zu erfassen. Allerdings ist das ursprüngliche BERT nicht an mobile IMU-Daten anpassbar. Durch sorgfältige Beobachtung der Eigenschaften von IMU-Sensoren schlagen wir eine Reihe von Techniken vor und passen LIMU-BERT entsprechend an IMU-Sensing-Aufgaben an. Die entworfenen Modelle sind leichtgewichtig und lassen sich einfach auf mobilen Geräten implementieren. Mit den über LIMU-BERT gelernten Repräsentationen können aufgabenspezifische Modelle, die mit einer begrenzten Anzahl von gekennzeichneten Proben trainiert sind, überlegene Leistungen erzielen. Wir evaluieren LIMU-BERT umfassend mit vier offenen Datensätzen. Die Ergebnisse zeigen, dass die durch LIMU-BERT verbesserten Modelle bestehende Ansätze in zwei typischen IMU-Sensoranwendungen erheblich übertreffen.