6、基于分布匹配指标的手部活动识别数据增强与个性化模型

基于分布匹配指标的手部活动识别数据增强与个性化模型

1. 手部活动识别数据增强

在手部活动识别领域，数据增强是提升模型性能的关键手段。这里提出了一种基于 2D - CNN GAN 的方法，用于对基于加速器的细粒度手部活动时间数据进行数据增强。

• GAN 结构 ：该方法中的 GAN 结构由 2D - CNN 判别器和 2D - Transposed - CNN 生成器组成。其工作原理是学习基于传感器的手部活动数据的分布，利用 2D - CNN 层学习三通道张量的能力，生成能很好保留跨轴相关性的合成实例。
• 评估方法 ：为评估合成数据的有效性，采用了两种方式。一是通过扩展现有数据集并提高 VGG 变体分类器的测试准确率来评估其可用性；二是引入轴向热图和面向模型的解释等多种解释方法进行评估。实验表明，该方法能够适应所研究的各类活动数据，并通过基于 GAN 的数据增强有效提高分类器的测试准确率。

2. 个性化模型在人类活动识别中的应用

传统的活动识别系统通常是从所有训练用户的数据中训练一个通用模型，然后用这个模型来识别未知用户的活动。然而，由于参与者的人口统计学特征不同，不同用户执行相同动作的方式可能存在差异。因此，提出了基于分布匹配指标的个性化模型方法。

2.1 研究背景与动机

人类活动识别（HAR）是可穿戴计算的核心。传统方法在处理具有不同人口统计学特征的参与者数据时存在局限性，因为不同用户的活动模式可能不同。而数据集中的部分用户可能形成一些社区，社区内用户相似性高，社区间差异大。因此，训练与目