通过“星形操作”优化设备内活动推理的准确性与效率之间的权衡

《IEEE Journal of Biomedical and Health Informatics》：Optimizing Accuracy-Efficiency Trade-Offs of On-Device Activity Inference With Star Operation

　　

摘要：

基于轻量级卷积的神经网络（CNN）非常适合资源受限的边缘设备上的基于传感器的人类活动识别（HAR）应用，因为它们具有更快的推理速度。然而，卷积核通常只能处理有限的范围，这只能捕捉时间序列传感器数据中的局部细节，从而阻碍了性能的进一步提升。尽管引入自注意力机制可以帮助更好地处理长距离相关性，但由于计算成本较高，可能会显著降低实际的活动识别速度。在本文中，我们提出了一种新的学习范式（星形操作），然后介绍了一个轻量级的双分支高阶交互（DbHoi）模块，该模块在移动设备上的HAR应用中计算效率较高。所提出的DbHoi模块可以隐式地将原始传感器输入转换为高维非线性特征，但实际上在低维特征空间中进行操作（类似于多项式核技巧的设计原理），而不会产生额外的计算开销。我们在三个公开的人活动识别基准测试（包括UCI-HAR、UniMiB-SHAR和OPPORTUNITY）上进行了大量实验，结果表明我们的DbHoi能够一致性地超越各种精心设计过的轻量级网络，如MobileNet、ShuffleNet和GhostNet。详细的消融研究、可视化表示以及设备上的延迟分析进一步验证了我们对星形操作的理解，同时也突显了其在实际HAR应用中的实用价值。

引言

在过去的十年中，配备紧凑、低成本惯性传感器（如加速度计和陀螺仪）的智能手机和可穿戴设备的广泛采用，使得基于传感器的人类活动识别（HAR）成为普适计算领域的一个热门研究课题，应用范围涵盖了健康管理[1]、活动跟踪、手势识别和人机交互[3]等各种实际场景。通过分析原始传感器数据，这些可穿戴设备能够更好地分析和理解复杂的人类活动，使它们变得更加智能和有用。本质上，基于传感器的HAR可以被视为一个时间序列分类问题，通常采用支持向量机（SVM）、随机森林（RF）和朴素贝叶斯等机器学习（ML）算法来进行活动识别。尽管这些算法表现出了良好的性能，但它们依赖于手动特征工程[4]，这限制了模型的泛化能力和可扩展性。近年来，尤其是卷积神经网络（CNN）通过自动化从原始传感器数据中提取特征，取得了卓越的成功，已成为HAR领域的主流解决方案[3]。