Fast Personalized Human Activity Recognition on Heuristic Parameter Estimation

基于可穿戴传感器数据的个性化人类活动识别(HAR)对医疗保健、工业和体育至关重要。个性化HAR面临两大挑战:高质量的标记个性化数据很少，终端计算资源有限。以往的领域自适应模型大多忽略了终端上的传递效率，而这也是物联网人工智能的标准之一。因此，我们提出了一种快速传输HAR，即FastTrans，以提高效率并在识别效率之间取得折衷。设计了融合特征提取模块，利用改进的混合损失学习多尺度特征。提出的启发式参数估计方法只需扫描一次自适应数据，即可学习FastTrans中分类权值的近似解。此外，提出了一种有效的时间序列数据增强方法作为数据集多样性的插件。在基准数据集上的结果表明，FastTrans在传输效率和精度方面具有与其他模型相当的竞争力