可穿戴设备中推进无关位置和设备的运动活动识别
内容提要
该文综述可穿戴传感器人体活动识别研究，指出现有评估方法在真实场景下准确率显著下降，并介绍融合网络、无监督嵌入、标准化评估、视觉推断传感器位置、自监督设备无关模型、跨身体部位分类及联邦迁移学习等进展，以提升识别准确性与评估标准化。
延伸解读
评估方法在真实场景下的局限
文章指出，当前实验评估方法在可穿戴传感器数据背景下无法有效执行活动识别，导致识别准确度显著下降。这提示研究者，在实验室环境中表现良好的模型，可能难以适应真实世界的复杂情况。因此，开发更贴近实际应用的评估协议和提升模型泛化能力，是当前亟待解决的关键问题。
提升泛化能力的技术路径
为应对上述挑战，文章综述了多种前沿技术，包括融合网络、无监督嵌入、自监督设备无关模型、跨身体部位分类以及联邦迁移学习等。这些方法从不同角度尝试减少对特定设备、位置或标注数据的依赖，旨在提升模型在真实场景中的鲁棒性和适应性，为后续研究提供了多元化的思路。
标准化评估的必要性
文章强调，标准化评估对于公平比较不同人体活动识别技术至关重要。通过使用六种公开数据集和统一的评估标准，研究发现改进的混合手工特征与神经网络架构的方法优于先前技术。这证明，缺乏标准化会导致性能评估偏差，推动评估标准化是促进该领域健康发展的基础。
联邦迁移学习的潜力
文章提到，在多任务环境下，联邦迁移学习用于基于传感器的活动识别和设备位置识别任务。实验显示，利用迁移学习和训练的任务特定及个性化的联邦模型，相比个别客户端训练和完全集中化方法，可以获得类似或更高的准确性。这表明联邦迁移学习在保护隐私的同时，能有效利用分布式数据提升模型性能。
Q&A
为什么现有的可穿戴传感器人体活动识别评估方法在真实场景下准确率会显著下降？
因为当前的实验评估方法无法在可穿戴传感器数据的背景下有效执行活动识别，导致识别准确度显著下降。该研究着重解决了影响识别准确性的关键问题，并首次针对此问题展开研究。
FusionActNet 是什么？它在人体活动识别上取得了怎样的效果？
FusionActNet 是一种基于 Residual 网络和 Residual MobileNet 集成的分层多结构方法，能够有效分类识别不同的人类活动，在 UCI HAR 和 Motion-Sense 数据集上分别取得了 96.71% 和 95.35% 的准确率。
无监督嵌入方法如何提升人体活动识别的性能？
该方法通过基于人类活动的特性将活动投射到一个嵌入空间中，使相似活动紧密聚集，从而帮助聚类算法实现识别和分类。相较于直接应用于原始数据集的非监督技术，该方法在识别和分类潜在人类活动方面性能更好。
标准化评估在人体活动识别研究中为什么是必要的？
因为通过文献综述使用六种公开数据集，采用标准化评估标准对最先进技术进行比较，并提出改进的混合手工特征和神经网络架构的方法，结果优于先前技术，这证明了标准化评估是必要的。
如何利用视觉信息确定可穿戴传感器的最佳放置位置？
通过从目标活动的视频记录中得出实时 2D 姿势估计派生的骨架数据，引入一种新方法来确定最佳传感器位置。可行性研究将惯性传感器应用于监测十个被试者的 13 种不同活动，发现基于视觉的传感器放置方法与传统的深度学习方法结果相当，证明了其有效性。
自监督设备无关模型如何促进人体活动识别评估的标准化？
该模型基于大规模无标签数据集学习自监督表征及浅层多层感知器，在未参与训练的真实世界数据集上取得良好性能，并可通过不同传感器的数据训练，从而实现设备无关型人体活动识别模型，有助于增加 HAR 领域中模型评估的标准化。
联邦迁移学习在基于传感器的人体活动识别中有什么优势？
在多任务环境下，利用迁移学习和训练的任务特定及个性化的联邦模型，相比个别客户端训练和完全集中化方法，可以获得类似的准确性并且更高的准确性。实验使用 OpenHAR 框架和 DeepConvLSTM 结构在联邦学习环境中进行。
