Building predictive models for human-interactive systems is a challenging task. Every individual has unique characteristics and behaviors. A generic human–machine system will not perform equally well for each user given the between-user differences. Alternatively, a system built specifically for each particular user will perform closer to the optimum. However, such a system would require more training data for every specific user, thus hindering its applicability for real-world scenarios. Collecting training data can be time consuming and expensive. For example, in clinical applications it can take weeks or months until enough data is collected to start training machine learning models. End users expect to start receiving quality feedback from a given system as soon as possible without having to rely on time consuming calibration and training procedures. In this work, we build and test user-adaptive models (UAM) which are predictive models that adapt to each users’ characteristics and behaviors with reduced training data. Our UAM are trained using deep transfer learning and data augmentation and were tested on two public datasets. The first one is an activity recognition dataset from accelerometer data. The second one is an emotion recognition dataset from speech recordings. Our results show that the UAM have a significant increase in recognition performance with reduced training data with respect to a general model. Furthermore, we show that individual characteristics such as gender can influence the models’ performance.

中文翻译：

---

使用深度迁移学习和数据增强进行活动和情绪识别的用户自适应模型

为人机交互系统构建预测模型是一项具有挑战性的任务。每个人都有独特的特征和行为。鉴于用户之间的差异，通用的人机系统不会对每个用户都表现得一样好。或者，专为每个特定用户构建的系统将更接近最佳性能。然而，这样的系统需要为每个特定用户提供更多的训练数据，从而阻碍其在现实场景中的适用性。收集训练数据既费时又费钱。例如，在临床应用中，可能需要数周或数月才能收集到足够的数据来开始训练机器学习模型。最终用户希望尽快开始从给定系统接收质量反馈，而不必依赖耗时的校准和培训程序。在这项工作中，我们构建并测试了用户自适应模型 (UAM)，这些模型是通过减少训练数据适应每个用户的特征和行为的预测模型。我们的 UAM 使用深度迁移学习和数据增强进行训练，并在两个公共数据集上进行了测试。第一个是来自加速度计数据的活动识别数据集。第二个是来自语音记录的情绪识别数据集。我们的结果表明，相对于一般模型，UAM 在减少训练数据的情况下显着提高了识别性能。此外，我们表明性别等个人特征会影响模型的性能。在这项工作中，我们构建并测试了用户自适应模型 (UAM)，这些模型是通过减少训练数据适应每个用户的特征和行为的预测模型。我们的 UAM 使用深度迁移学习和数据增强进行训练，并在两个公共数据集上进行了测试。第一个是来自加速度计数据的活动识别数据集。第二个是来自语音记录的情绪识别数据集。我们的结果表明，相对于一般模型，UAM 在减少训练数据的情况下显着提高了识别性能。此外，我们表明性别等个人特征会影响模型的性能。在这项工作中，我们构建并测试了用户自适应模型 (UAM)，这些模型是通过减少训练数据适应每个用户的特征和行为的预测模型。我们的 UAM 使用深度迁移学习和数据增强进行训练，并在两个公共数据集上进行了测试。第一个是来自加速度计数据的活动识别数据集。第二个是来自语音记录的情绪识别数据集。我们的结果表明，相对于一般模型，UAM 在减少训练数据的情况下显着提高了识别性能。此外，我们表明性别等个人特征会影响模型的性能。我们的 UAM 使用深度迁移学习和数据增强进行训练，并在两个公共数据集上进行了测试。第一个是来自加速度计数据的活动识别数据集。第二个是来自语音记录的情绪识别数据集。我们的结果表明，相对于一般模型，UAM 在减少训练数据的情况下显着提高了识别性能。此外，我们表明性别等个人特征会影响模型的性能。我们的 UAM 使用深度迁移学习和数据增强进行训练，并在两个公共数据集上进行了测试。第一个是来自加速度计数据的活动识别数据集。第二个是来自语音记录的情绪识别数据集。我们的结果表明，相对于一般模型，UAM 在减少训练数据的情况下显着提高了识别性能。此外，我们表明性别等个人特征会影响模型的性能。我们的结果表明，相对于一般模型，UAM 在减少训练数据的情况下显着提高了识别性能。此外，我们表明性别等个人特征会影响模型的性能。我们的结果表明，相对于一般模型，UAM 在减少训练数据的情况下显着提高了识别性能。此外，我们表明性别等个人特征会影响模型的性能。