8、深度学习在人类活动识别中的综合应用

深度学习在人类活动识别中的综合应用

1 引言

人类活动识别（HAR）在医疗保健、智能家居、健身跟踪、监控等领域的实用性使其越来越受欢迎。特别是深度学习的出现，在特征表示方面取得了巨大进展，比手工特征提取技术更受欢迎。然而，良好的性能是以大型网络模型（即计算开销）为代价的，这限制了它在能量受限设备中的实际可用性。

HAR主要有两种视角：基于视频图像的识别和基于可穿戴传感器的识别，各有优缺点。基于视频的HAR系统使用摄像头捕获图像或音视频流来分析人类行为；基于传感器的系统则使用身体佩戴或环境传感器记录活动轨迹或移动信息。由于在个人空间放置摄像头存在隐私问题，基于传感器的系统在日常活动监测应用中占据主导地位。此外，这种方法不仅需要为摄像头进行昂贵的基础设施安装，还会因背景、光照和缩放等情况给运动检测带来困难。而传感器具有普遍性，现在可以集成到手机、手表等便携式物品以及汽车、墙壁和家具等非便携式物品中，周围有许多嵌入式传感器在持续且不引人注意地记录人类移动信息。

2 HAR面临的挑战

2.1 特征工程

活动识别是一项分类任务，特征提取是它与其他分类问题共有的难题。由于活动之间存在相似性，基于传感器的活动检测的特征提取更具挑战性。例如，行走和跑步可能具有相似的特征，因此很难创建独特的元素来分别表示不同的活动。

2.2 数据标注稀缺和类别不平衡

基于机器学习的系统需要大量带注释的数据样本进行训练和评估，但收集和标注感官活动数据既昂贵又耗时，因此标注稀缺是基于传感器的活动检测的一个显著障碍。此外，收集一些突发或意外活动（如意外摔倒）的数据尤其困难，这会导致类别不平衡问题。过渡活动是长期活动之间的短期活动