来自惯性传感器的物理调节的神经嵌入
近年来，许多设备都配备了惯性测量单元 (IMU) 传感器。他们的数据已用于各种与健身相关的应用，例如，用于人类活动识别。最近的一篇论文建议使用 IMU 数据来建模和预测个人心率。该预测可用于确定哪些活动对人是安全的。
该方法使用从之前的短暂活动中收集的给定 IMU 和心率数据。卷积神经网络提取向量，这些向量携带有关传感器测量值与心率之间关系的信息。一个长短期记忆网络然后预测心率。建议的方法产生的平均绝对误差比其基线低 10%。此外，该方法还可用于根据光体积描记数据估计心率。在这种情况下，IMU 数据用作校正测量误差的附加数据源。
惯性测量单元 (IMU) 传感器在智能手机、健身手表等日常设备中变得越来越普遍。 因此，利用这些数据的一系列与健康相关的应用程序一直在增长，设计的重要性人类活动识别 (HAR) 等任务的准确预测模型。然而，一项鲜为人知的重要任务是使用 IMU 数据预测进行体力活动时的个人心率。例如，这可以用于确定哪些活动对一个人是安全的，而无需他/她实际执行这些活动。我们为这项由卷积层和 LSTM 层组成的任务提出了一种神经架构，类似于 HAR 密切相关任务的最新技术。然而，我们的模型包括一个卷积网络，该网络基于来自先前执行的活动的传感器数据，提取个人的物理条件嵌入 (PCE)，用作 LSTM 的初始隐藏状态。我们评估了所提出的模型，称为 PCE-LSTM，在根据公共数据集(PAMAP2、PPG-DaLiA)中可用的 IMU 传感器数据预测 23 名进行各种体育活动的受试者的心率时。为了进行比较，我们使用专门为此任务提出的唯一模型作为基线，并使用适用于 HAR 的最先进的模型。PCE-LSTM 的平均绝对误差降低了 10% 以上。我们凭经验证明这种错误减少部分是由于使用了 PCE。最后，我们使用两个数据集(PPG-DaLiA，
标签：