Interpolación de comportamiento basada en dispositivos portátiles para el reconocimiento de actividad humana semisupervisado

Mientras que la ingeniería de características tradicional para el Reconocimiento de Actividad Humana (HAR) implica un proceso de prueba y error, el aprendizaje profundo ha emergido como un método preferido para representaciones de alto nivel de actividades humanas basadas en sensores. Sin embargo, la mayoría del HAR basado en aprendizaje profundo requiere una gran cantidad de datos etiquetados y extraer características de HAR de datos no etiquetados para un entrenamiento efectivo de aprendizaje profundo sigue siendo un desafío. Por lo tanto, introducimos un enfoque de HAR semisupervisado profundo, MixHAR, que utiliza simultáneamente actividades etiquetadas y no etiquetadas. Nuestro MixHAR emplea un mecanismo de interpolación lineal para mezclar actividades etiquetadas y no etiquetadas mientras aborda tanto la variabilidad inter- como intra-actividad. Un desafío único identificado es el problema de intrusión de actividad durante la mezcla, para el cual proponemos un mecanismo de calibración de mezcla para mitigar este problema en el espacio de incrustación de características. Además, exploramos y evaluamos rigurosamente las cinco tecnologías semisupervisadas profundas convencionales/populares en HAR, actuando como referencia para el HAR semisupervisado profundo. Nuestros resultados demuestran que MixHAR mejora significativamente el rendimiento, subrayando el potencial de las técnicas semisupervisadas profundas en HAR.