HAROOD：传感器驱动的人体活动识别中超出分布的泛化基准

于红博

摘要: 基于传感器的人类活动识别（HAR）从时间序列传感数据中提取活动模式。在现实场景中，个体、设备、环境和时间的变化为相同活动引入了显著的分布转移。最近的努力尝试通过应用或调整现有的非分布（OOD）算法来解决这一挑战，但仅限于某些分布转移场景（例如跨设备或跨位置），缺乏对这些算法有效性的全面洞见。例如，OOD对HAR是否必要？哪个OOD算法表现最佳？在本文中，我们通过提出HAROOD，为OOD环境中的HAR提供了一个全面的基准。我们定义了4个OOD场景：跨个人、跨位置、跨数据集和跨时间，并建立了一个涵盖6个数据集、16个比较方法（采用基于CNN和Transformer的架构实现）和两种模型选择协议的测试平台。然后，我们进行了广泛的实验，并提出了一些未来研究的发现，例如没有单一方法始终优于其他方法，突出了推进的重大机会。我们的代码库高度模块化且易于扩展到新数据集、算法、比较和分析，希望能促进基于OOD的HAR研究。我们的实现已发布，可在https://github.com/AIFrontierLab/HAROOD找到。

更新时间: 2025-12-31 15:41:01

领域: cs.AI

下载: http://arxiv.org/abs/2512.10807v3