Comparing Self-Supervised Learning Techniques for Wearable Human Activity Recognition

这篇文章讨论了基于移动/可穿戴设备传感器的人类活动识别（HAR），旨在检测人类在日常生活中进行的身体活动。虽然监督学习方法在此任务中最有效，但它们的有效性受限于在训练期间使用大量标记数据。虽然收集原始未标记数据可能相对容易，但由于成本、侵入性和时间限制，注释数据是具有挑战性的。为了解决这些挑战，本文探讨了使用有限标记数据进行准确HAR的替代方法。特别地，我们已经将最近的自监督学习（SSL）算法适应到HAR领域，并比较了它们的有效性。我们研究了三种不同家族的最先进的SSL技术：对比、生成和预测。此外，我们通过比较最先进的CNN和Transformer架构，评估了底层神经网络对识别率的影响。我们的结果表明，掩蔽自编码器（MAE）方法明显优于其他SSL方法，包括通常被认为是HAR领域最佳表现的SimCLR。代码和预训练的SSL模型可供进一步研究和开发使用。

本论文旨在探索使用少量标记数据进行准确HAR的替代方法，以解决标注数据成本高昂、侵入性和时间限制的问题。

论文采用自监督学习算法，将最新的对比、生成和预测三种不同类型的SSL技术应用于HAR领域，并比较它们的有效性。通过比较CNN和transformer架构的表现，研究了底层神经网络对识别率的影响。

论文结果表明，采用遮蔽自编码器（MAE）方法明显优于其他SSL方法，包括被认为是HAR领域表现最佳的SimCLR。同时，作者公开了代码和预训练的SSL模型，以供进一步研究和开发。

在HAR领域的最新相关研究包括：1. 'Deep Convolutional Neural Networks for Human Activity Recognition Using Mobile Sensors' 2. 'Human Activity Recognition Using Wearable Sensors and Deep Learning: A Systematic Review'