活動檢測可穿戴設備并不完全新穎 - Apple Watch，Fitbit的健身可穿戴設備陣容，以及運行Google WearOS解釋動作的無數智能手表，以確定您是慢跑而不是走路。但是，許多基于其功能的算法模型需要大量人工生成的訓練數據，并且如果沒有手工標記，通常他們無法使用該數據。

幸運的是，馬薩諸塞州阿默斯特大學的研究人員已經開發出一種節省勞力的解決方案，他們說這可以節省寶貴的時間。在預印本服務器Arxiv.org上發表的一篇論文(“ 基于少量學習的人類活動識別 ”)中，他們描述了幾種學習技術 - 一種用少量標記的訓練數據來教授AI模型的技術。從相關任務轉移知識 - 針對基于可穿戴傳感器的活動識別進行了優化。

“由于獲取......活動數據的高成本以及活動模式之間普遍存在的相似性，從現有活動識別模型借用信息比收集更多數據以從頭開始訓練新模型更有效率只有少數數據是可用于模型訓練，“該論文的作者寫道。“提出的幾次人體活動識別方法利用深度學習模型進行特征提取和分類，而知識傳遞則以模型參數傳遞的方式進行。”

具體而言，該團隊設計了一個框架 - 少數人類活動識別(FSHAR) - 包括三個步驟。首先，深度學習模型 - 特別是長期短期記憶(LSTM)網絡，一種可以捕獲長期依賴性的遞歸神經網絡 - 將低級傳感器輸入轉換為高級語義信息，用樣本進行訓練。接下來，從數學上辨別出與學習目標任務(或任務)相關或有幫助的數據，并將其與不相關的數據分開。最后，網絡的參數 - 即從歷史訓練數據中機器學習的變量 - 在它們被傳送到目標網絡之前被微調。

為了驗證他們的方法，研究人員使用來自兩個基準數據集的331個樣本進行了實驗：機會活動識別數據集(OPP)，其中包括來自四個參與者的共同廚房活動，其中可穿戴傳感器記錄在五個不同的運行中，以及身體活動監測數據設置(PAMAP2)，包括來自9個可穿戴設備參與者的12個家庭和鍛煉活動。

與基線相比，他們聲稱FSHAR方法“幾乎總能”達到最佳性能。

他們寫道：“通過提出的框架，即使每個班級只有很少的培訓樣本，也可以實現滿足人類活動識別結果。” “實驗結果表明，框架優于沒有知識轉移的方法，或者只傳遞特征提取器的知識。”