CABiGRU

扩散模型利用合成数据增强活动识别AI

研究人员开发了一种新方法，通过使用扩散模型生成合成传感器数据来增强人类活动识别（HAR）。然后，使用这些合成数据预训练一个名为CABiGRU的模型，该模型旨在从智能手表传感器数据中捕获时间模式。随后，在真实世界数据上对预训练模型进行微调，从而提高性能，特别是对于进食和饮水等细微且代表性不足的活动。该方法在DEO数据集上实现了90.6%的平衡准确率，证明了基于扩散的合成预训练对于稳健的饮食行为识别的有效性。