Contrastive Learning-based User Identification with Limited Data on Smart Textiles
作者: Yunkang Zhang, Ziyu Wu, Zhen Liang, Fangting Xie, Quan Wan, Mingjie Zhao, Xiaohui Cai
分类: eess.SP, cs.LG
发布日期: 2024-09-06
💡 一句话要点
提出基于对比学习的智能纺织品用户识别方法，解决数据量有限难题
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)
关键词: 智能纺织品 用户识别 对比学习 压力传感 数据稀缺
📋 核心要点
- 现有智能纺织品用户识别方法依赖大量设备特定数据，难以适应新设备或数据稀缺场景。
- 论文提出基于对比学习的用户识别方法，通过特征空间对齐，减少对大量设备数据的依赖。
- 实验结果表明，该方法在少量数据下也能实现较高的用户识别准确率，优于现有方法。
📝 摘要（中文）
本文提出了一种基于对比学习的智能纺织品用户识别方法，旨在解决压力敏感智能纺织品在医疗、运动监测和智能家居等领域应用中，因设备间压力分布差异导致身份识别依赖大量设备特定数据的问题。该方法设计了两个并行分支，分别用于新设备和现有设备上的用户识别，并采用监督对比学习在特征空间中促进领域统一。对于新设备，无需大量数据收集，仅需少量简单姿势数据即可实现用户识别。在两个包含8个受试者的压力数据集（BedPressure和ChrPressure）上的实验表明，该方法仅使用包含2个姿势的数据集，即可在12个坐姿场景下实现用户识别，平均识别准确率达到79.05%，比最佳基线模型提高了2.62%。
🔬 方法详解
问题定义：智能纺织品在用户识别方面面临的挑战是，由于不同设备之间压力分布存在差异，传统的用户识别方法需要大量的设备特定数据进行训练。这使得在新的智能纺织品设备上进行用户识别变得困难，因为收集大量数据成本高昂且耗时。现有方法难以在新设备或数据量有限的情况下实现准确的用户识别。
核心思路：本文的核心思路是利用对比学习，学习一个与设备无关的特征空间，使得来自同一用户的不同设备的数据在该空间中更加接近，而来自不同用户的数据则更加远离。通过这种方式，模型可以泛化到新的设备上，只需要少量数据即可进行用户识别。监督对比学习用于促进领域统一，即不同设备的数据在特征空间中对齐。
技术框架：该方法包含两个并行分支，一个分支用于处理现有设备的数据，另一个分支用于处理新设备的数据。两个分支共享相同的网络结构，但使用不同的参数。每个分支都包含一个特征提取器，用于将原始压力数据转换为特征向量。然后，使用监督对比学习损失函数来训练特征提取器，使得来自同一用户的特征向量在特征空间中更加接近，而来自不同用户的特征向量则更加远离。在测试阶段，对于新设备，只需要少量数据即可计算出用户的特征向量，然后将其与现有用户的特征向量进行比较，从而实现用户识别。
关键创新：该方法最重要的创新点在于使用对比学习来解决智能纺织品用户识别中的数据稀缺问题。传统的用户识别方法通常需要大量的设备特定数据进行训练，而该方法只需要少量数据即可实现较高的识别准确率。此外，该方法还设计了两个并行分支，分别用于处理现有设备和新设备的数据，从而更好地适应不同的应用场景。
关键设计：论文中使用了监督对比学习损失函数，该损失函数的目标是最小化同一用户的特征向量之间的距离，同时最大化不同用户的特征向量之间的距离。网络结构未知，但推测是卷积神经网络或循环神经网络，用于从压力数据中提取特征。具体参数设置未知，但可能需要根据不同的数据集进行调整。
🖼️ 关键图片
📊 实验亮点
实验结果表明，该方法在两个压力数据集（BedPressure和ChrPressure）上取得了显著的性能提升。仅使用包含2个姿势的数据集，即可在12个坐姿场景下实现用户识别，平均识别准确率达到79.05%，比最佳基线模型提高了2.62%。这表明该方法在数据量有限的情况下，仍能实现较高的用户识别准确率。
🎯 应用场景
该研究成果可广泛应用于智能家居、医疗健康和运动监测等领域。例如，智能床垫可以通过识别用户身份，自动调整睡眠模式；智能服装可以监测用户的运动状态，并提供个性化的运动建议；医疗设备可以通过识别患者身份，提供个性化的治疗方案。该技术有望提升智能纺织品的用户体验，并促进其在各个领域的应用。
📄 摘要（原文）
Pressure-sensitive smart textiles are widely applied in the fields of healthcare, sports monitoring, and intelligent homes. The integration of devices embedded with pressure sensing arrays is expected to enable comprehensive scene coverage and multi-device integration. However, the implementation of identity recognition, a fundamental function in this context, relies on extensive device-specific datasets due to variations in pressure distribution across different devices. To address this challenge, we propose a novel user identification method based on contrastive learning. We design two parallel branches to facilitate user identification on both new and existing devices respectively, employing supervised contrastive learning in the feature space to promote domain unification. When encountering new devices, extensive data collection efforts are not required; instead, user identification can be achieved using limited data consisting of only a few simple postures. Through experimentation with two 8-subject pressure datasets (BedPressure and ChrPressure), our proposed method demonstrates the capability to achieve user identification across 12 sitting scenarios using only a dataset containing 2 postures. Our average recognition accuracy reaches 79.05%, representing an improvement of 2.62% over the best baseline model.