5、基于传感器的细粒度手部活动识别中的数据增强与解读

基于传感器的细粒度手部活动识别中的数据增强与解读

1. 引言

近年来，人类活动识别（HAR）越来越受欢迎。深度学习在从大量数据分布中提取高级特征表示方面表现出色，因此基于深度学习的传感器HAR任务研究蓬勃发展。然而，现代HAR研究常忽略从传感器信号中识别细粒度手部动作，因为手部活动通常独立于身体活动，这使得用身体其他部位的传感器区分手部动作变得困难。

感知独立于身体动作的细粒度手部活动，有助于健康监测的情境感知设备进一步发展，并辅助交互式游戏设计。但目前，很少有研究尝试构建基于深度学习的相关原型。同时，现代基于深度学习的HAR方法面临数据稀缺的挑战，在基于传感器的手部活动识别中，解决训练细粒度手部活动信号的深度分类器时的数据稀缺问题仍是一个未充分开发的领域。

为填补这些研究空白，本文提出了一种基于生成对抗网络（GAN）的方法，用于传感器手部活动识别任务的数据增强，以提高训练最先进手部活动分类器的测试准确性。该方法采用二维卷积层，能很好地捕捉加速度计中三个轴的时间序列数据之间的内在相关性，还能更好地学习单一切片时间序列数据样本中的多尺度特征。

2. 相关工作

2.1 人类活动识别

传统的非深度学习方法主要集中在利用特征提取技术，如时间序列信号变换和手工统计建模。有效捕捉可区分的特征表示一直是HAR任务中的主要挑战。领先的基于深度学习的HAR工作证明了深度神经网络在HAR中的实用性。此外，一些研究尝试引入集成分类器或多模态解决方案，以合并不同通道的传感器数据，改善一些具有挑战性的HAR任务的模型训练过程。

在手部活动识别方面，一些研究应用计算机视觉方法来识别手部姿势和动作，还有研究通过智能手表的传