Differentiable Prior-Driven Data Augmentation for Sensor-Based Human Activity Recognition

Ye Zhang

doi:10.1109/TCSS.2025.3565414

Differentiable Prior-Driven Data Augmentation for Sensor-Based Human Activity Recognition

0

PRE

AI

DOI：10.1109/TCSS.2025.3565414

原文链接

原文求助

摘要

En 中文

基于传感器的行为识别（HAR）通常受限于标注数据不足的问题，这是由于标记可穿戴传感器的直观信号存在困难。为解决此问题，近期研究采用了手工设计操作或生成模型进行数据增强。手工设计操作基于人类活动的一些物理先验知识，例如动作扭曲和强度波动。然而，这些方法可能难以保持数据的语义属性。尽管生成模型具有更好的数据适应性，但它们难以将重要的动作先验知识融入数据生成过程。本文提出了一种适用于HAR的可微先验驱动的数据增强框架。首先，我们将手工增强操作嵌入到可微模块中，该模块能自适应地选择和优化需要组合的操作。然后，构建一个生成模块，为手工操作得到的数据添加可控扰动，进一步提高了数据增强的多样性。通过将手工操作模块和生成模块整合到一个可学习的框架中，有效提升了识别模型的泛化性能。在五个公开数据集上使用三种不同分类器的广泛实验结果证明了所提框架的有效性。项目页面：https://github.com/crocodilegogogo/DriveData-Under-Review。

Keyword:

Differentiable framework

generative models

handcrafted operations

prior-driven data augmentation

sensor-based human activity recognition (HAR)

Differentiable Prior-Driven Data Augmentation for Sensor-Based Human Activity Recognition

摘要

期刊

机构

引用论文