历史首次！华人博士获IEEE THMS 汇刊最佳期刊论文奖

2021 年 11 月 25 日 机器之心

机器之心专栏

机器之心编辑部

齐雯博士和苏航博士获得 IEEE Transactions on Human-Machine Systems 的 Andrew P. Sage 最佳论文奖。

2021 年 IEEE 系统、人与控制论学会（IEEE SMC）旗下的 IEEE Transactions on Human-Machine Systems 期刊 Andrew P. Sage 最佳论文奖 (Best Transactions Paper Award) 公布，意大利米兰理工大学电子、信息和生物工程学院齐雯博士和苏航博士凭借论文《A Smartphone-Based Adaptive Recognition and Real-Time Monitoring System for Human Activities》摘得该奖项。这是自 2014 年颁布以来，华人首次获得该期刊最佳论文奖。Andrew P. Sage 最佳论文奖每年在 IEEE SMC 学会出版的每个汇刊中各遴选一篇论文授予该奖励。

此外，论文作者还包括米兰理工大学电子、信息和生物工程系 Andrea Aliverti 教授。

论文地址：https://ieeexplore.ieee.org/document/9078047

获奖论文介绍

1. 研究背景

使用智能手机的人类活动识别 (HAR) 为远程医疗提供重要的医疗保健指导和长期治疗。机器学习和深度学习(DL) 技术被广泛用于科学研究人类行为的统计模型。然而，表现现有的 HAR 平台受限于复杂的身体活动。该工作提出了一种自适应识别和实时人类活动监测系统 (Ada-HAR)，有望在动态情况下识别更多人体运动。Ada-HAR 框架引入了无监督的在线学习与类约束的数量无关的算法。此外，采用的层次聚类和分类算法标记和分类 12 个活动（五个动态，六个静态和一系列转换）自主。最后，实用已经进行了实验以验证其有效性和所提出算法的鲁棒性。与方法比较文献中提到，结果表明基于 DL 分类器获得更高的识别率（95.15%，腰部和 92.20%，口袋）。基于决策树的分类器是最快的模态演化方法。最后，Ada-HAR 系统可以实时监控人类活动，无论方向如何的智能手机。

使用惯性传感器识别人类活动的智能手机吸引了越来越多的研究兴趣，在过去的几十年里，在各个领域，从家庭医疗保健到运动监测、康复、个性化医学和精神障碍近年来，随着物联网、机器学习（ML）、深度学习 (DL) 技术、人类活动识别 (HAR) 可以通过在体域网中传输数据来实现和无线以太网，允许评估人类身体和生理状态。然而，许多研究通过求助于给定的 HAR 系统开发适当的任务到广泛的启发式知识。它们适用于实验室或通过身体固定移动控制良好的情况设备。移动干扰的可变性设备会影响 HAR 系统的识别率，例如运动伪影、基线噪音、新活动的发生以及用户之间的差异。例如，识别老年人和年轻人的相同行走状态具有挑战性。精心设计的特征很难建模错综复杂的活动细节并且非常耗时。因此，它是有趣的是引入一个自适应分类器来识别动态情况下的活动。

图 1：Ada-HAR 通信系统示意图。在 “个人监控” 单元中，可以通过携带智能手机已经安装了带有建议算法的软件。在 “本地监控” 单元中，人们可以通过分析用户的活动来监控用户的活动。从 Wi-Fi 网络接收数据。在 “远程监控” 单元中，可以通过多点无线接收信号来监控预测的活动桥接网络。

2. 创新点

该工作提出了一种基于智能手机的自适应 HAR 实时监控系统 (Ada-HAR) ，该系统可以识别 12 个人的活动。其中包括：

五个动态练习（步行、慢跑、跳跃、上楼、下楼）；
七个静态姿势（站立、坐着、左右躺着，俯卧位和仰卧位）；
一系列转换（例如从坐到站立）。

该系统旨在标记原始信号，通过使用分层 k-medoids 聚类自动 (Hk-mC) 算法并构建层次分类 (HC) 用于 HAR。最后，开发的 Ada-HAR 系统经过一组受试者的验证，用于监测人类远程和本地 LAN 中的活动。

Ada-HAR 系统主要贡献概述如下：

它可以在动态情况下更新先前的分类器；
数据压缩方式，实现快速计算；
所提出的信号处理方法避免了位置和方向变化的干扰。

3. 实现方式

图 2 为建议的 Ada-HAR 系统，包括创建、识别和在线学习模块。

创建模块：采用 Hk-mC 自动标记活动。HC 算法用于建立识别 12 个原始活动的分类器；
识别模块：通过在腰部携带智能手机或将智能手机放在左侧裤兜中，实时对 HAR 的 HC 分类器；
在线学习模块：将以无监督学习方式确定 12 项原始活动中未包含的新活动。同时，对旧分类器进行更新。信号预处理和特征提取模型在创建和识别模块中共享。

图 2：Ada-HAR 系统的数据流：包括训练（蓝线）、测试（橙线）和更新（浅棕线）程序

图 3： 信号预处理模型示意图

图 4：标注的带固定活动编程的三轴加速度

图 5：带有固定活动编程的三轴加速度标记

4. 实验结果

该研究提出了一个基于智能手机的人类活动自适应识别和实时监控系统（Ada-HAR）。对 25 名受试者进行了实验，以验证所开发系统的性能。最具创新性的部分是在线学习算法，它能够在动态环境中更新分类器，这意味着如果发现任何新活动，HC 分类器将自动更新以包含新类。它是一种无监督的在线学习算法，不需要获得真正的标签。除了自适应算法外，使用 Hk-mC 算法的自动标记方法是提高原始信号标记效率的另一个原始成果。实验通过将智能手机放在不同的位置和不同的方向来证明它的鲁棒性。引入的信号预处理策略为分类器提供了稳定的输入，而不考虑智能手机位置的变化。

结果表明，基于 DL 的 HC 分类器对 12 项原始活动（95.15% 的腰部和 92.20% 的口袋）的分类准确率较高。此外，基于 k-NN 和 DT 算法的 HC 分类器更新之前的 HC 分类器以识别新类所需的时间更少。与 SOTA 方法相比，Ada HAR 系统不仅在活动数量方面，而且在识别精度方面都有了改进。

图 6：基于 K-NN、DT、NB、ANN、SVM 和 LSTM 的 HC 分类器的比较结果

图 7：新活动预测结果的比较。这三个图是两个方向的三轴加速度、由五个基于 ML 的 Ada-HAR 系统计算的在线精度和在线预测时间。实线和虚线是压缩和未压缩的数据集。底部图表中的脉冲点是 HC 分类器重新训练的位置。（a）将智能手机放在腰部蹲下。（b）把智能手机放在口袋里蹲下。（c）将智能手机放在腰部，扭动腰部。（d）将智能手机放在口袋里，扭动腰部。

图 8：ADA-HAR 系统五种 ML 算法的最终精度和总测试时间对比

未来研究者将考虑更多的活动，甚至在更复杂的情况下进行挑战。此外，该研究将在各种可穿戴设备上进行验证，以提高其识别能力。齐雯博士还希望将 Ada-HAR 系统的性能与一些商业 HAR 平台进行比较。

文献引用：

Wen Qi, Hang Su, and Andrea Aliverti. A Smartphone-Based Adaptive Recognition and Real-Time Monitoring System for Human Activities, IEEE Transactions on Human-Machine Systems, 50(5), 414-423, 2020.

齐雯博士简介:

齐雯博士 2020 年初毕业于意大利米兰理工大学，主要从事可穿戴医疗设备算法架构，深度学习和人机交互方向的研究。第一作者论文 2021 年获得 IEEE 系统、人与控制论学会旗下 IEEE Transactions on Human-Machine Systems 期刊的 Andrew P. Sage 最佳论文奖(Best Transactions Paper Award)，获得两个国际期刊年度封面论文、2020 IEEE ICARM 先进机器人学最佳论文奖、2014 IEEE WCICA 和 2021 IEEE ICARM 最佳论文入围奖。长期在海外从事多项欧盟及校企联合项目。其作为米兰理工大学呼吸分析实验室唯一的深度学习算法方向博士，独立完成了与全球最大的移动电话运营商 - 沃达丰公司合作的欧盟 5G 远程呼吸健康监控 5G trial 项目。

苏航博士简介:

苏航博士 2019 年毕业于意大利米兰理工大学，长期从事机器人控制与应用、人机交互、遥操作等研究。担任 Frontiers in Neuroscience(中科院二区)，Frontiers in Neurorobotics(中科院三区)，ICRA/IROS/ICARM/ ROMAN 等多个 IEEE 旗舰会议的编委，IEEE TFS, IEEE RAL, Complexity, Actuators 等期刊的客座副主编。担任 IEEE ICARM 2021/2022 大会程序委员会主席，IEEE ICDL 2023 大会组织委员会主席，IROS 2021 控制和机器人数据应用的两个分会主席，IEEE ICARM 2020 分会主席，并多次牵头组织机器人国际交互研讨会(IROS 2020， ICARM 2020, ROMAN 2020)。2021 年获得 IEEE 系统、人与控制论学会旗下 IEEE THMS 期刊的 Andrew P. Sage 最佳论文奖(Best Transactions Paper Award)，第一作者论文 2020 年获 IEEE ICARM 2020 先进机器人学最佳会议论文奖，获 2021 年 IEEE ICARM 最佳会议论文提名奖, 获 2019 年 ICRA 旅行奖。

Andrea Aliverti 教授简介:

Andrea Aliverti 为米兰理工大学电子、信息和生物工程系 (DEIB) 的教授，教授传感器、仪器技术以及呼吸系统生物工程内容，并且是生物工程博士项目主席。主要负责 DEIB 生物医学技术实验室 (TBM-Lab) 的 Lares（呼吸分析实验室）。他的主要研究兴趣包括呼吸系统的生物工程、生理测量、功能肺成像、生物医学仪器和传感器，特别是开发通过可穿戴传感器和人工智能连续监测生理变量的新方法。

详解NVIDIA TAO系列分享第2期：

基于Python的口罩检测模块代码解析——快速搭建基于TensorRT和NVIDIA TAO Toolkit的深度学习训练环境

第2期线上分享将介绍如何利用NVIDIA TAO Toolkit，在Python的环境下快速训练并部署一个人脸口罩监测模型，同时会详细介绍如何利用该工具对模型进行剪枝、评估并优化。

TAO Toolkit 内包含了150个预训练模型，用户不用从头开始训练，极大地减轻了准备样本的工作量，让开发者专注于模型的精度提升。本次分享摘要如下：