论文笔记：SelfHAR: Improving Human Activity Recognition through Self-training with Unlabeled Data

Proc. ACM Interact. Mob. Wearable Ubiquitous Technol. 2021

1 intro

1.1 背景—— 人类活动识别（HAR）

• 旨在准确分类人类的物理活动
  • 传统方法——依赖于滑动窗口分割和手工特征提取，然后通过各种监督学习技术来识别简单和复杂的活动，如行走、跑步、骑自行车
  • 深度学习方法
    • 自动提取目标任务的有用特征——>更有效
• 两种方法的局限性
  • 受到常规实验室HAR数据集引入的偏见和限制的不利影响
    • 数据的研究通常规模较小，大多涉及不到50名参与者
    • 这些研究遵循固定的实验协议，要求参与者在短时间内（通常不到一个小时）执行特定活动
    • ——>限制了所得数据集的规模、多样性和质量

1.2 本文内容

• 提出了SelfHAR
  • 半监督框架
  • 通过自监督预训练补充有标记数据的监督训练，以利用大规模未标记数据集在HAR任务中捕获的信息
• ——>引入了更多样化的传感器数据到训练范式中

2 方法

2.1 问题描述

• 给定：
  • 一组时间序列数据
  • 一组个活动标签的集合 = {, . . . , }
  • 一组个时间窗口的集合 = {1, . . . ,}，定义开始和结束时间点
•  任务：
  • 找到一个映射函数，使得 (,)输出一个活动标签，其中应代表在时间窗口期间由受试者实际进行的活动
• 除了带标签的数据集，论文还考虑了这样的情况：存在一个补充数据集，这个数据集从与相似的传感器收集而来，但没有标签
• 目标：
  • 训练模型，使得通过使用∪而不是仅使用（即利用未标记的数据集）可以提高识别准确性
• 评估：
  • 通过要求模型预测中未见子集的活动标签来进行评估

2.2 主体框架

3 实验

3.1 数据

 3.2 baseline 比较

3.3 ablation study

• fully supervised——只用（1）
• transformation discrimination——信号转换（也就是第3部分前提，后面记为第0部分）+（1）
• self-training——（1）+（2）+（4）
• tranformation knowledge distillation（0）+（1）+（2）+（4）
• selfHAR——(1)+(2)+(3)+(4)