一种应用于人体活动识别的迁移学习算法

doi:10.12068/j.issn.1005-3026.2022.06.003

东北大学学报（自然科学版） ›› 2022, Vol. 43 ›› Issue (6): 776-782.DOI: 10.12068/j.issn.1005-3026.2022.06.003

一种应用于人体活动识别的迁移学习算法

赵海，陈佳伟，施瀚，王相

(东北大学计算机科学与工程学院，辽宁沈阳110169)

修回日期:2021-07-29 接受日期:2021-07-29 发布日期:2022-07-01
通讯作者: 赵海
作者简介:赵海(1959 -)，男，辽宁沈阳人，东北大学教授，博士生导师.
基金资助:
国家重点研发计划项目(2019JSJ12ZDYF01); 中央高校基本科研业务费专项资金资助项目(2020GFZD014).

A Transfer Learning Algorithm Applied to Human Activity Recognition

ZHAO Hai， CHEN Jia-wei， SHI Han， WANG Xiang

School of Computer Science & Engineering， Northeastern University， Shenyang 110169， China.

Revised:2021-07-29 Accepted:2021-07-29 Published:2022-07-01
Contact: CHEN Jia-wei
About author:-
Supported by:
-

摘要/Abstract

摘要： 通过采集可穿戴运动传感器信号，并利用迁移学习克服数据分布不一致来识别人体日常行为成为当下主流.利用可穿戴传感器采集信号，会产生影响迁移效果的噪声样本，传统的算法缺少对这部分样本的处理.针对这一问题，在传统算法的基础上进行改进，引入了基于马氏距离的样本筛选算法，提出了可用于人体活动识别的迁移学习算法T-WMD，并在两个公开的人体活动识别数据集上与其他5种算法进行对比实验.结果表明提出的算法可以有效地提升迁移学习效果.

关键词: 生理信号;人体活动识别;迁移学习;体域网;机器学习

Abstract: Collecting wearable motion sensor signals and using transfer learning to overcome the inconsistency of data distribution to identify the daily behavior of the human body are very popular technologies. Using wearable sensors to collect signals will result in generating noise samples that affect the transfer effect. Traditional algorithms lack the processing of these samples. To solve this problem， the traditional algorithm was improved by introducing a sample screening algorithm based on Mahalanobis distance， and a transfer learning algorithm T-WMD was proposed that can be used for human activity recognition. And compared with other five algorithms on two public human activity recognition data sets， the results show that the algorithm proposed in this paper can effectively improve the effect of transfer learning.

Key words: physiological signal; human activity recognition; transfer learning; body area network; machine learning

中图分类号:

TP181

赵海，陈佳伟，施瀚，王相. 一种应用于人体活动识别的迁移学习算法[J]. 东北大学学报（自然科学版）, 2022, 43(6): 776-782.

ZHAO Hai， CHEN Jia-wei， SHI Han， WANG Xiang. A Transfer Learning Algorithm Applied to Human Activity Recognition[J]. Journal of Northeastern University(Natural Science), 2022, 43(6): 776-782.

参考文献

[1]汪成亮，王小均.基于三轴传感器的老年人日常活动识别［J］.电子学报，2017，45(3):570-576.(Wang Cheng-liang，Wang Xiao-jun.Daily activity recognition based on triaxial accelerometer of elderly people［J］.Acta Electronica Sinica，2017，45(3):570-576.)
[2]Ramirez H，Velastin S，Fabregas E，et al.Fall detection using human skeleton features［J］.IEEE Access，2021，4:73-78
[3]范长军，高飞.基于无线体域网的在线人体活动识别［J］.小型微型计算机系统，2020，41(1):72-77.(Fan Chang-jun，Gao Fei.Online human activity recognition based on wireless body area network［J］.Journal of Chinese Computer Systems，2020，41(1):72-77.)
[4]殷晓玲，陈晓江，夏启寿，等.基于智能手机内置传感器的人体运动状态识别［J］.通信学报，2019，40(3):157-169.(Yin Xiao-ling，Chen Xiao-jiang，Xia Qi-shou，et al.Human motion state recognition based on smart phone built-in sensor［J］.Journal on Communications，2019，40(3):157-169.)
[5]Fu Z，He X，Wang E，et al.Personalized human activity recognition based on integrated wearable sensor and transfer learning［J］.Sensors，2021，21(3):885.
[6]郑增威，杜俊杰，霍梅梅，等.基于可穿戴传感器的人体活动识别研究综述［J］.计算机应用，2018，38(5):1223-1229.(Zheng Zeng-wei，Du Jun-jie，Huo Mei-mei，et al.Review of human activity recognition based on wearable sensors［J］.Journal of Computer Applications，2018，38(5):1223-1229.)
[7]Hou W X，Wang J D，Tan X，et al.Cross-domain speech recognition with unsupervised character-level distribution matching［C］// Interspeech 2021.Brno，2021:1-5.
[8]彭雨荷，陈翔，陈双武，等.基于迁移学习的跨域异常流量检测［J］.北京邮电大学学报，2021，44(2):33-39.(Peng Yu-he，Chen Xiang，Chen Shuang-wu，et al.Cross-domain abnormal traffic detection based on transfer learning［J］.Journal of Beijing University of Posts and Telecommunications，2021，44(2):33-39.)
[9]Soleimani E，Nazerfard E.Cross-subject transfer learning in human activity recognition systems using generative adversarial networks［J］.Neurocomputing，2021，426:26-34.
[10]Niu H，Nguyen D，Yonekawa K，et al.Multi-source transfer learning for human activity recognition in smart homes［C］// 2020 IEEE International Conference on Smart Computing(SMARTCOMP).Bologna，2020:274-277.
[11]Long M，Wang J，Ding G，et al.Transfer joint matching for unsupervised domain adaptation［C］// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.Columbus，2014:1410-1417.
[12]Luo Z，Zou Y，Hoffman J，et al.Label efficient learning of transferable representations across domains and tasks［C］// Proceedings of the 31st International Conference on Neural Information Processing Systems.Long Beach，2017:164-176.
[13]Dai W Y，Yang Q，Xue G R，et al.Boosting for transfer learning［C］// Proceedings of the 24th International Conference on Machine Learning.Corvallis，2007:193-200.
[14]Pan S J，Tsang I W，Kwok J T，et al.Domain adaptation via transfer component analysis［J］.IEEE Transactions on Neural Networks，2011，22(2):199-210.
[15]Mahalanobis P C.On the generalised distance in statistics［J］.Proceedings of the National Institute of Sciences of India，1936，2:49-55.
[16]Reiss A，Stricker D.Creating and benchmarking a new dataset for physical activity monitoring［C］// Proceedings of the 5th International Conference on Pervasive Technologies Related to Assistive Environments.Newcastle，2012:1-8.
[17]Banos O，Garcia R，Holgado-Terriza J A，et al.mHealthDroid:a novel framework for agile development of mobile health applications［C］// International Workshop on Ambient Assisted Living.Belfast，2014:91-98.
[18]Banos O，Villalonga C，Garcia R，et al.Design，implementation and validation of a novel open framework for agile development of mobile health applications［J］.Biomedical Engineering Online，2015，14(sup2):1-20.
[19]Wang J，Chen Y，Hao S，et al.Balanced distribution adaptation for transfer learning［C］// 2017 IEEE International Conference on Data Mining(ICDM).New Orleans，2017:1129-1134.
[20]Long M，Wang J，Ding G，et al.Transfer feature learning with joint distribution adaptation［C］// Proceedings of the IEEE International Conference on Computer Vision.Sydney，2013:2200-2207.

一种应用于人体活动识别的迁移学习算法

A Transfer Learning Algorithm Applied to Human Activity Recognition

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	李婵，曲璐渲，信俊昌，王之琼. 基于潜在调控因子筛选的高阶动态贝叶斯建模方法[J]. 东北大学学报（自然科学版）, 2023, 44(3): 323-330.
[2]	曲璐渲，郭上慧，王之琼，信俊昌. 基因调控网络的父节点筛选贝叶斯建模方法[J]. 东北大学学报:自然科学版, 2020, 41(2): 158-162.
[3]	李壮，刘磊，张桐搏，吕帅. 基于重启策略的学习子句优化方法[J]. 东北大学学报:自然科学版, 2020, 41(1): 44-48.
[4]	马铁民，周福才，王爽. 基于用户相似度的随机游走社交网络事件推荐算法[J]. 东北大学学报:自然科学版, 2019, 40(11): 1533-1538.
[5]	刘鹏，杜佳芝，吕伟刚，窦明武. 面向不平衡数据集的一种改进的k-近邻分类器[J]. 东北大学学报:自然科学版, 2019, 40(7): 932-936.
[6]	吕帅，张桐搏，王强，刘磊. 两种新的基于扩展规则#SAT问题求解算法[J]. 东北大学学报:自然科学版, 2019, 40(5): 630-635.
[7]	王珏，乔建忠，林树宽. 基于距离和时序的层次粒度支持向量回归机[J]. 东北大学学报:自然科学版, 2016, 37(7): 942-946.
[8]	顾德英，王娜，李文超，陈龙. 基于模型融合的低照度环境下车道线检测方法[J]. 东北大学学报（自然科学版）, 2021, 42(3): 305-309.
[9]	王姝，关展旭，王晶，孙晓辉. 基于迁移学习的贝叶斯网络参数学习方法[J]. 东北大学学报（自然科学版）, 2021, 42(4): 509-515.
[10]	王姝，任玉，关展旭，王晶. 基于差异信息量的多源数据融合方法[J]. 东北大学学报（自然科学版）, 2021, 42(9): 1246-1253.
[11]	常玉清，赵炜炜，刘乐源，康孝云. 基于实例迁移的磨煤机过程监测建模[J]. 东北大学学报（自然科学版）, 2021, 42(10): 1369-1375.
[12]	顾德英，张松，孟范伟. 基于单目视觉的车辆3D空间检测方法[J]. 东北大学学报（自然科学版）, 2022, 43(3): 328-334.
[13]	丁来旭，刘洪娟. 复杂网络上基于多维特征表示学习的推荐算法[J]. 东北大学学报（自然科学版）, 2022, 43(3): 359-367.
[14]	刘洋，闫冬梅，孟范伟. 基于Transformer改进的两分支行人重识别算法[J]. 东北大学学报（自然科学版）, 2023, 44(1): 26-32.
[15]	王瀛，王泽浩，李红，黄文军. 基于深度学习的威胁情报领域命名实体识别[J]. 东北大学学报（自然科学版）, 2023, 44(1): 33-39.