Layout Agnostic Human Activity Recognition in Smart Homes through Textual Descriptions Of Sensor Triggers (TDOST)

使用智能家居中的环境传感器进行人类活动识别（HAR）在人类医疗保健和健康方面有许多应用。然而，构建通用的HAR模型，可以部署到新的智能家居环境中，需要大量的注释传感器数据和培训开销。大多数智能家居在布局上有很大的差异，即平面图和嵌入式传感器的具体细节，导致为特定家庭训练的HAR模型的通用性较低。我们通过引入一种新颖的、布局无关的HAR系统建模方法来解决这个限制，该方法利用自然语言描述原始传感器数据的可转移表征能力。为此，我们生成传感器触发的文本描述（TDOST），这些描述封装了周围的触发条件，并为活动识别模型提供线索。利用文本嵌入，而不是原始传感器数据，我们创建了跨家庭预测标准活动的活动识别系统，而无需在目标家庭上进行（重新）训练或适应。通过广泛的评估，我们通过对基准CASAS数据集的实验展示了TDOST模型在未见过的智能家居中的有效性。此外，我们对我们方法的各个组成部分如何影响下游活动识别性能进行了详细的分析。

如何在智能家居环境中进行通用的人类活动识别？

使用文本描述传感器触发条件来生成可转移的表示，进而创建跨家庭的活动识别系统。

使用TDOST方法可以在不重新训练或调整目标家庭的情况下，预测各种标准活动。通过实验验证了该方法的有效性，并进行了详细的分析。

近期的相关研究包括使用传统的基于传感器数据的方法和使用深度学习技术的方法。