ウェアラブルベースの行動補間による半教師あり人間活動認識

従来の人間活動認識（HAR）における特徴エンジニアリングは試行錯誤のプロセスを伴いますが、深層学習はセンサーに基づく人間の活動の高レベル表現として好まれる手法として浮上しています。しかし、ほとんどの深層学習ベースのHARは大量のラベル付きデータを必要とし、効果的な深層学習トレーニングのためにラベルなしデータからHAR特徴を抽出することは依然として課題です。そこで、ラベル付きとラベルなしの活動を同時に使用する深い半教師ありHARアプローチであるMixHARを導入します。MixHARは、ラベル付きおよびラベルなしの活動をブレンドするために線形補間メカニズムを使用し、活動間および活動内の変動性の両方に対処します。混合中の活動侵入問題という独自の課題が特定され、特徴埋め込み空間におけるそれを軽減するための混合キャリブレーションメカニズムを提案します。さらに、HARにおける5つの従来の/人気の深い半教師あり技術を厳密に探求し評価し、深い半教師ありHARのベンチマークとして機能しました。私たちの結果は、MixHARがパフォーマンスを大幅に向上させ、HARにおける深い半教師あり技術の可能性を強調しています。