Real-time/online activity recognition (AR) is an important technology in smart Internet of Things (IoT) systems where users are assisted by smart devices in their daily activities. How to generate appropriate feature representation from sensor event streaming is a challenging issue for accurate and efficient real-time AR. Previous AR models that rely on explicit domain knowledge are not appropriate for online recognition of complex human activities. We propose to use unsupervised learning to learn about the latent knowledge and embed the activity probability distribution prediction as high-level features to boost real-time AR performance. The proposed approach first learns the latent knowledge from explicit-activity window sequences using unsupervised learning, and derives the probability distribution prediction of activity classes for a given sliding window. Our approach then feeds the prediction with other basic features of the sliding window into a classifier to produce the final class result on each event-count sliding window. Experiments on five smart home datasets show that the proposed method achieves a higher accuracy by at least 20 percent improvement on F1_score than previous traditional algorithms, while maintaining a lower time cost than deep learning based methods. An analysis on the feature importance shows that the addition of probability distribution prediction about activity classes leads to a promising direction for real-time AR.

中文翻译：

---

使用潜在知识改进智能物联网的实时活动识别

实时/在线活动识别 (AR) 是智能物联网 (IoT) 系统中的一项重要技术，用户在日常活动中由智能设备辅助。如何从传感器事件流中生成适当的特征表示对于准确高效的实时 AR 来说是一个具有挑战性的问题。以前依赖显式领域知识的 AR 模型不适用于复杂人类活动的在线识别。我们建议使用无监督学习来了解潜在知识，并将活动概率分布预测作为高级特征嵌入，以提高实时 AR 性能。所提出的方法首先使用无监督学习从显式活动窗口序列中学习潜在知识，并推导出给定滑动窗口的活动类别的概率分布预测。然后，我们的方法将带有滑动窗口的其他基本特征的预测输入到分类器中，以在每个事件计数滑动窗口上产生最终的类结果。在五个智能家居数据集上的实验表明，所提出的方法在 F1_score 上比以前的传统算法提高了至少 20% 的准确度，同时保持了比基于深度学习的方法更低的时间成本。对特征重要性的分析表明，增加关于活动类别的概率分布预测为实时 AR 带来了一个有希望的方向。然后，我们的方法将带有滑动窗口的其他基本特征的预测输入到分类器中，以在每个事件计数滑动窗口上产生最终的类结果。在五个智能家居数据集上的实验表明，所提出的方法在 F1_score 上比以前的传统算法提高了至少 20% 的准确度，同时保持了比基于深度学习的方法更低的时间成本。对特征重要性的分析表明，增加关于活动类别的概率分布预测为实时 AR 带来了一个有希望的方向。然后，我们的方法将带有滑动窗口的其他基本特征的预测输入到分类器中，以在每个事件计数滑动窗口上产生最终的类结果。在五个智能家居数据集上的实验表明，所提出的方法在 F1_score 上比以前的传统算法提高了至少 20% 的准确度，同时保持了比基于深度学习的方法更低的时间成本。对特征重要性的分析表明，增加关于活动类别的概率分布预测为实时 AR 带来了一个有希望的方向。同时保持比基于深度学习的方法更低的时间成本。对特征重要性的分析表明，增加关于活动类别的概率分布预测为实时 AR 带来了一个有希望的方向。同时保持比基于深度学习的方法更低的时间成本。对特征重要性的分析表明，增加关于活动类别的概率分布预测为实时 AR 带来了一个有希望的方向。