结合循环网络的多头卷积嵌入模型，通过迁移学习实现跨主题活动的识别

《NATIONAL ACADEMY SCIENCE LETTERS-INDIA》：Multi-headed Convolutional Embedded with Recurrent Networks for Recognizing the Cross-Subject Activity Using Transfer Learning

针对跨域主体识别难题，提出多头卷积网络结合循环神经网络的方法，并利用迁移学习提升泛化能力，实验表明在公开数据集上准确率、精确率和召回率均优于传统方法，验证了其在未知主体识别中的有效性。

　　

摘要

基于传感器的智能系统引起了智能家居、医疗保健、安全等领域研究人员的关注。人类活动识别（HAR）被认为是该智能系统的核心应用领域。近年来，由于缺乏个体对象的完整活动数据，基于活动的学习方法在跨领域主体识别方面遇到了挑战。此外，迁移学习有助于在跨主体环境中将知识从源领域转移到目标领域。为了解决这一挑战，我们提出了多个并行连接的头状卷积网络来提取高效的特征，然后使用循环网络来识别人类活动模式。此外，所提出的方法（基于主体的学习）与迁移学习相结合，用于识别跨主体领域中的活动。我们使用公开可用的mHealth实验数据集来评估所提出方法的性能。实验结果表明，与领先的经典分类器相比，该方法取得了更高的准确率（3.70%）、精确度（24.77%）、召回率（24.87%）和F1分数（25.28%）。这项研究工作的有效性体现在其能够泛化到未知主体识别的能力上。