Online-kontinuierliches Lernen zur Erkennung menschlicher Aktivitäten

Sensorbasierte Erkennung menschlicher Aktivitäten (HAR), mit der Fähigkeit, menschliche Aktivitäten aus tragbaren oder eingebetteten Sensoren zu erkennen, spielt eine wichtige Rolle in vielen Anwendungen, einschließlich persönlicher Gesundheitsüberwachung, intelligentem Wohnen und Fertigung. Der langfristige Einsatz dieser HAR-Systeme in der realen Welt wirft eine kritische Forschungsfrage auf: Wie lässt sich das HAR-Modell automatisch im Laufe der Zeit weiterentwickeln, um Veränderungen in einer Umgebung oder Aktivitätsmustern Rechnung zu tragen? Dieses Papier präsentiert ein Szenario für online kontinuierliches Lernen (OCL) für HAR, bei dem Sensordaten in einem Streaming-Verfahren ankommen, die unbeschriftete Proben aus bereits gelernten Aktivitäten oder neuen Aktivitäten enthalten. Wir schlagen eine Technik vor, OCL-HAR, die eine Echtzeitvorhersage auf den Streaming-Sensordaten trifft und gleichzeitig neue Aktivitäten entdeckt und lernt. Wir haben OCL-HAR empirisch an vier öffentlich verfügbaren HAR-Datensätzen von Drittanbietern evaluiert. Unsere Ergebnisse haben gezeigt, dass dieses OCL-Szenario eine Herausforderung für moderne kontinuierliche Lerntechniken darstellt, die erheblich schlechter abgeschnitten haben. Unsere Technik OCL-HAR hat sie in allen Experimentaufbauten kontinuierlich übertroffen, wobei sich die mikroskopischen und makroskopischen F1-Werte um bis zu 0,17 und 0,23 verbessert haben.