EarDA: Towards Accurate and Data-Efficient Earable Activity Sensing

在物联网智能感知领域中，可穿戴耳机设备具备多模态感知和上下文感知计算智能的能力，因此被广泛应用于人体活动识别。然而，与放置在上半身或下半身的惯性测量单元（IMU）传感器捕获的运动不同，从可穿戴耳机设备获取的运动信号在振幅和模式方面显示出明显的变化，尤其是在存在动态和不可预测的头部运动时，这给活动分类带来了重大挑战。在这项工作中，我们提出了EarDA，一种基于对抗的领域自适应系统，以提取不同传感器位置之间的领域无关特征。此外，虽然大多数深度学习方法通常依赖于使用大量标记数据进行训练以提供良好的准确性，但所提出的方案可以释放公开可用的基于智能手机的IMU数据集的潜在用途。此外，我们探索了应用基于滤波器的数据处理方法来减轻头部运动影响的可行性。EarDA是所提出的系统，它可以实现更加数据高效和准确的活动感知。它在HAR任务下实现了88.8％的准确性，相比没有领域自适应的方法，明显提高了43％，这清楚地展示了它在减轻领域差距方面的有效性。

本论文旨在解决耳戴设备在人体活动识别中的挑战，即在头部动态和不可预测的情况下，耳戴设备所捕捉到的运动信号的幅度和模式发生显著变化，导致活动分类的困难。

论文提出了一种基于对抗性领域适应的系统EarDA，通过提取不同传感器位置的领域无关特征来解决这个问题。同时，该系统可以利用公开的基于智能手机的IMU数据集，实现更加高效和准确的活动感知。

论文通过实验验证EarDA系统的有效性，其在HAR任务中的准确度达到了88.8％，相较于没有领域适应的方法，提高了43％。该系统还使用了一种基于滤波器的数据处理方法来减轻头部运动的影响。

最近的相关研究包括使用耳戴设备进行人体行为识别的其他方法，如基于传统机器学习和深度学习的方法。其中一些论文包括：“A Survey on Human Activity Recognition using Wearable Sensors”和“Human Activity Recognition using Wearable Devices and Sensor Fusion: A Deep Learning Approach”等。