Влияние расхождений во времени на эффективность машинного обучения для многофункциональных носимы... скачать в хорошем качестве

Влияние расхождений во времени на эффективность машинного обучения для многофункциональных носимы...

Влияние временных расхождений на эффективность машинного обучения при распознавании активности человека с помощью носимых устройств Авторы: Флориан Воллинг, Дэвид Костолани, Патрик Тролльманн и Флориан Михеллес (Венский технический университет) Аннотация: Распознавание активности человека с помощью носимых устройств (HAR) стало актуальным инструментом для идентификации повседневной активности в различных областях, таких как здравоохранение, спорт и взаимодействие человека с компьютером (HCI). Эффективность классификации может быть улучшена за счет использования нескольких дополнительных датчиков, требующих точно согласованных временных баз. Хотя предыдущие исследования синхронизации в HAR предполагали, что точность менее секунды является желательной, а точность менее 100 мс не является необходимой, конкретное влияние временных расхождений на модели машинного обучения оставалось неизученным. Мы рассматриваем этот вопрос с помощью эмпирической оценки влияния временных расхождений в HAR с помощью носимых устройств. Мы применяем систематический подход на примере многоступенчатых временных сверточных сетей (MS-TCN) для сегментации действий, моделируя временные расхождения смещения времени и сдвига часов посредством рациональной передискретизации. Наша оценка охватила 30 025 учебных и проверочных прогонов для различных конфигураций модели, что в общей сложности потребовало более миллиона часов вычислений. Наши результаты показывают, что смещения времени более 150 мс следует избегать в обучающих наборах данных, а смещения более 300 мс уже могут значительно ухудшить производительность HAR для типичных повседневных действий (ADL). Результаты подчеркивают необходимость адекватной синхронизации обучающих наборов данных. Наши результаты имеют значение для разработки и внедрения многосенсорных носимых HAR-систем и могут быть распространены на другие многосенсорные контексты.