A Self-Supervised Human Activity Recognition Approach via Body Sensor Networks in Smart City

• Author: Yu Zhou, Chuanshi Xie, Shilong Sun, Xiao Zhang, Yufan Wang
• Accepted: 8 June 2023
• Published in: IEEE Sensors Journal( JSEN )
• Paper Link
• code：https://github.com/EMRGSZU/papers-code

Abstract

在智慧城市中，人们越来越多地采用普适传感和可穿戴计算技术，通过人体传感器网络监测和识别人类活动，这些技术已广泛应用于城市安全、医疗保健和制造业。然而，大多数研究人员认为人类活动识别（HAR）是一项需要大量标记数据的高成本研究任务，而这在现实世界的应用中往往是不现实的。为了解决这个问题，我们提出了一种用于人类活动识别的自监督学习框架（SS-HAR）。SS-HAR 最初将数据扩增产生的未标记数据作为网络的输入，在自监督学习的作用下挖掘未标记数据中的监督信息，并将得到的骨干网络作为特征提取器，提取活动特征进行后续分类。然后，我们将部分标注数据作为训练集，利用骨干网络提取活动特征，用于训练和拟合分类器。然后，我们利用其余数据来验证所提出的自监督学习方法的可行性和有效性。我们在三个公开数据集和一个自收集的篮球活动数据集 SZU_HAD_Basketball 上进行了多次实验。实验结果表明，与监督和半监督方法相比，SS-HAR 方法能够获得更高的分类准确率和稳定性。具体来说，在 UCI 数据集上，SS-HAR 与其他方法相比取得了更好的分类性能，其分类准确率分别比监督方法提高了 1%，比半监督方法提高了 5%-6%。