Unsupervised Deep Learning-based clustering for Human Activity Recognition

要約

深層学習技術を適用して慣性センサーに基づいて日常生活動作 (ADL) を認識する際の主な問題の 1 つは、深層学習ベースのモデルをトレーニングするための適切な大きさのラベル付きデータセットがないことです。
データを収集して人間の活動を認識できる慣性センサーを搭載したモバイル デバイスが普及することで、大量のデータが利用できるようになります。
残念ながら、このデータにはラベルが付けられていません。
この論文では、多次元慣性信号を自動的にラベル付けする DL ベースのクラスタリング アーキテクチャである DISC (Deep Inertial Sensory Clustering) を提案しています。
特に、このアーキテクチャは、反復 AutoEncoder とクラスタリング基準を組み合わせて、ラベル付けされていない人間の活動に関連する信号を予測します。
提案されたアーキテクチャは、公開されている 3 つの HAR データセットで評価され、4 つのよく知られたエンドツーエンドのディープ クラスタリング アプローチと比較されます。
実験は、クラスタリングの精度と正規化された相互情報量メトリックの両方に対する DISC の有効性を示しています。

要約(オリジナル)

One of the main problems in applying deep learning techniques to recognize activities of daily living (ADLs) based on inertial sensors is the lack of appropriately large labelled datasets to train deep learning-based models. A large amount of data would be available due to the wide spread of mobile devices equipped with inertial sensors that can collect data to recognize human activities. Unfortunately, this data is not labelled. The paper proposes DISC (Deep Inertial Sensory Clustering), a DL-based clustering architecture that automatically labels multi-dimensional inertial signals. In particular, the architecture combines a recurrent AutoEncoder and a clustering criterion to predict unlabelled human activities-related signals. The proposed architecture is evaluated on three publicly available HAR datasets and compared with four well-known end-to-end deep clustering approaches. The experiments demonstrate the effectiveness of DISC on both clustering accuracy and normalized mutual information metrics.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google