活動檢測可穿戴設備并不完全新穎 - Apple Watch，F(xiàn)itbit的健身可穿戴設備陣容，以及運行Google WearOS解釋動作的無數(shù)智能手表，以確定您是慢跑而不是走路。但是，許多基于其功能的算法模型需要大量人工生成的訓練數(shù)據(jù)，并且如果沒有手工標記，通常他們無法使用該數(shù)據(jù)。

幸運的是，馬薩諸塞州阿默斯特大學的研究人員已經(jīng)開發(fā)出一種節(jié)省勞力的解決方案，他們說這可以節(jié)省寶貴的時間。在預印本服務器Arxiv.org上發(fā)表的一篇論文(“ 基于少量學習的人類活動識別 ”)中，他們描述了幾種學習技術 - 一種用少量標記的訓練數(shù)據(jù)來教授AI模型的技術。從相關任務轉移知識 - 針對基于可穿戴傳感器的活動識別進行了優(yōu)化。

“由于獲取......活動數(shù)據(jù)的高成本以及活動模式之間普遍存在的相似性，從現(xiàn)有活動識別模型借用信息比收集更多數(shù)據(jù)以從頭開始訓練新模型更有效率只有少數(shù)數(shù)據(jù)是可用于模型訓練，“該論文的作者寫道?！疤岢龅膸状稳梭w活動識別方法利用深度學習模型進行特征提取和分類，而知識傳遞則以模型參數(shù)傳遞的方式進行?！?/p>

具體而言，該團隊設計了一個框架 - 少數(shù)人類活動識別(FSHAR) - 包括三個步驟。首先，深度學習模型 - 特別是長期短期記憶(LSTM)網(wǎng)絡，一種可以捕獲長期依賴性的遞歸神經(jīng)網(wǎng)絡 - 將低級傳感器輸入轉換為高級語義信息，用樣本進行訓練。接下來，從數(shù)學上辨別出與學習目標任務(或任務)相關或有幫助的數(shù)據(jù)，并將其與不相關的數(shù)據(jù)分開。最后，網(wǎng)絡的參數(shù) - 即從歷史訓練數(shù)據(jù)中機器學習的變量 - 在它們被傳送到目標網(wǎng)絡之前被微調(diào)。

為了驗證他們的方法，研究人員使用來自兩個基準數(shù)據(jù)集的331個樣本進行了實驗：機會活動識別數(shù)據(jù)集(OPP)，其中包括來自四個參與者的共同廚房活動，其中可穿戴傳感器記錄在五個不同的運行中，以及身體活動監(jiān)測數(shù)據(jù)設置(PAMAP2)，包括來自9個可穿戴設備參與者的12個家庭和鍛煉活動。

與基線相比，他們聲稱FSHAR方法“幾乎總能”達到最佳性能。

他們寫道：“通過提出的框架，即使每個班級只有很少的培訓樣本，也可以實現(xiàn)滿足人類活動識別結果?！?“實驗結果表明，框架優(yōu)于沒有知識轉移的方法，或者只傳遞特征提取器的知識?！?/p>