[发明专利]一种基于深度多任务学习的活动和用户识别方法

说明书

本发明公开了一种基于深度多任务学习的活动和用户识别方法，包括：(1)利用可穿戴传感器采集各用户活动时的传感器数据，并进行预处理；(2)联合构建用于预测活动和用户的活动识别网络和用户识别网络，其中，活动识别网络和用户识别网络共享部分隐参数，并引入相互注意力机制，利用对方学习到的知识为特征各部分赋予权重；(3)构建联合损失对活动识别网络和用户识别网络进行协同优化，得到参数确定的活动识别模型和用户识别模型；(4)将预处理后的传感器数据输入至活动识别模型和用户识别模型中，利用活动识别模型获得活动识别结果，利用用户识别模型获得用户识别结果。该方法提升了活动和用户的识别能力。

技术领域

本发明涉及活动识别和用户识别领域，具体涉及一种基于深度多任务学习的活动和用户识别方法。

背景技术

基于可穿戴传感器的活动和用户识别利用用户随身配戴的传感器获取的数据来推断活动和用户信息，是普适和移动计算领域的两个关键任务，对实现以人为中心的计算具有重要意义。基于可穿戴传感器的活动和用户识别能为健康支持、技能评估、生物识别等应用提供支持。

大多数基于可穿戴传感器的活动识别方法混合所有训练用户的标注样本，利用监督学习方法构建活动分类器，并将其直接用于新用户，这些方法忽略了不同用户行为模式上的差异。相关的研究表明不同用户具有不同的行为模式，这意味着获取自不同用户的传感器数据之间存在分布差异，因此，直接将在训练用户上表现良好的活动识别模型应用于新用户时，往往会出现显著的性能下降。如何保证新用户的识别性能成为基于可穿戴传感器的活动识别的一个重要挑战。为应对该挑战，国内外已有不少方法被提出，可以大致分为两类：第一类方法构建用户无关的特征进行建模，从而保证模型在新用户上的泛化能力。这类方法难以充分利用训练数据中的用户信息，在增强特征用户无关性的同时削弱了其活动表征能力。第二类方法针对每个用户的行为模式，为其构建量身定制的模型。这类方法往往需要针对每个新用户进行数据采集与模型适配，高昂的代价限制了其使用。

大多数基于可穿戴传感器的用户识别方法只支持在步行活动场景下识别用户，虽然这些方法能够实现良好的识别效果，但有限的适用场景限制了其在日常生活中的使用。将基于可穿戴传感器的用户识别所支持的活动场景从步行扩展到其他日常活动极具价值，但也充满挑战，因为不同活动场景下传感器数据存在显著差异。

已有的方法通常单独建模活动识别或用户识别任务，忽略了这两个任务间的相关性。活动识别任务获取的活动相关信息有助于用户识别任务感知并适应不同的活动场景；用户识别任务学习到的用户相关信息则能使活动识别模型在识别人类活动时考虑当前用户的行为模式。

发明内容

本发明要解决的技术问题是如何利用活动识别和用户识别两个任务间的相关性提升识别模型的泛化能力。

为解决上述问题，本发明提供了一种基于深度多任务学习的活动和用户识别方法，包括以下步骤：

(1)利用可穿戴传感器采集各用户活动时的传感器数据，并进行预处理；

(2)联合构建用于预测活动和用户的活动识别网络和用户识别网络，其中，活动识别网络和用户识别网络共享部分隐参数，并引入相互注意力机制，利用对方学习到的知识为特征各部分赋予权重；

(3)构建联合损失对活动识别网络和用户识别网络进行协同优化，得到参数确定的活动识别模型和用户识别模型；

(4)将预处理后的传感器数据输入至活动识别模型和用户识别模型中，利用活动识别模型获得活动识别结果，利用用户识别模型获得用户识别结果。

与现有方法相比，其优点在于：

1)联合构建活动识别和用户识别模型，利用隐参数进行跨任务的知识共享，进而利用两个任务间的共性与差异实现相互促进。

2)在活动识别和用户识别模型之间引入相互注意力机制，使两个模型能相互利用对方学习到的知识来给特征各部分赋予权重，从而适应用户和活动场景的变化。