33、移动健康中的迁移学习：解决活动识别挑战

移动健康中的迁移学习：解决活动识别挑战

1. 引言

可穿戴传感器技术与先进计算算法的快速融合，为无处不在的客观监测应用创造了独特机遇，这些应用几乎影响着现代生活的方方面面。移动健康应用是一个具有巨大潜力、能改善人们生活质量的热门领域，例如远程健康监测、长期健身追踪和跌倒检测等。而利用机器学习技术进行活动识别，是支持这些应用的核心任务。

然而，基于传感器的活动识别系统在日常生活场景中的可扩展性面临挑战，主要原因如下：
- 跨用户差异 ：使用实验室环境中收集的传感器数据训练的机器学习模型，不一定能代表未知用户的运动模式。当系统被新用户采用时，活动识别算法的性能最多可下降 63.7%。
- 空间不确定性 ：指两个传感平台之间的“硬件引起的不确定性”和/或“软件引起的不确定性”。前者包括因硬件差异导致的跨平台变化，后者包括设备软件配置的差异。实验表明，当使用在一款智能手表上训练的活动识别模型，来检测另一款不同型号智能手表观察到的活动时，准确率下降 60.3%。
- 对标记训练数据的依赖 ：传统机器学习算法依赖大量标记的训练数据来获得可靠的模型。但手动标注传感器数据是一个昂贵的过程，已被视为个性化运动分析的主要障碍，因此在每个新环境中标记传感器数据是不可行的。

个人移动设备的普及，给活动识别算法的泛化性带来了新挑战，主要是由于各种消费平台之间存在空间不确定性。例如，用户用新的同型号或不同型号移动设备（如智能手机）替换或升级旧设备时，希望继续使用旧设备上安装的运动分析应用，该应用有训练良好且准确的活动识别模型，但用户不想为新设备上的模型重新训练提供额