Cross-Body Transfer Learning for Human Activity Recognition
Notice bibliographique
Résumé
Human activity recognition (HAR) is the field of using analysis of sensor recordings to detect and determine what activity a person is doing. At the lowest level, it detects simple movements like standing, sitting, walking, and others. These movements are key components for measuring a person’s health and are the subject of many clinical assessments. Devices like hearing aids are the perfect target for HAR from head-worn sensors as many older adults wear and use them regularly. A major constraint for head-worn human-activity-recognition (HAR) deep learning models is gathering enough data. There are many HAR accelerometer datasets recorded from other parts of the body which may fill this gap. In this paper, we show that we can use cross-body transfer learning to improve HAR classification on the UCA-E-HAR head dataset which was recorded using smart glasses. To show this, we gathered datasets from the ankle, thigh, lower back, chest, wrist, and pocket to be used for transfer learning. The datasets included are KU-HAR, Forth, GOTOV, HARTH, Motionsense, Har70+, and UCA-E-HAR. We found that the classification using Resnetv1-6 model for the head data performance improved by 8% to 84.8% for transfer learning models pretrained on all available data from the other body locations. and the models were also better at differentiating between similar tasks such as standing and sitting. We then showed that removing standing from the possible movements, due to its similarity to sitting, allowed the base model performance to increase from 76.8% to 90.8% for a model trained using only head data. The transfer learning model trained on all available data improved performance to 94.5%. This shows that there are benefits for performing cross-body transfer learning for HAR classification.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».