复杂的日常活动、国家层面的多样性以及智能手机感应：一项在丹麦、意大利、蒙古、巴拉圭和英国进行的研究

文献标题

Complex Daily Activities, Country-Level Diversity, and Smartphone Sensing: A Study in Denmark, Italy, Mongolia, Paraguay, and UK

文献信息

• 主题领域: 多模态日常活动识别、文化多样性、手机传感和机器学习
• 关键词: 被动感知, 智能手机感知, 情景感知, 多样性感知, 模型泛化, 日常复杂活动识别, 行为识别, 分布转移, 域转移

研究背景与问题

• 发现的问题或挑战:

  • 传统研究大多集中于简单活动（如坐、走、跑等），忽略了更复杂的日常活动（如学习、用餐、社交媒体使用等）的识别。
  • 新冠疫情导致的远程/混合学习和工作方式使得传统感知手段（如惯性传感器、位置信息）对于活动检测的作用减弱。
  • 跨国家和文化的行为差异对机器学习模型的影响仍不明确，尤其是如何实现复杂日常活动在未见国家间的泛化问题。

• 重要性:

  • 复杂活动识别能更全面地反映人们的日常生活，有助于个性化服务和情景感知应用。
  • 理解国家/文化之间的差异对开发更高效的机器学习模型具有重要意义。

• 研究动机与相关工作:

  • 现有针对手机传感的研究侧重于单维度信号（如加速度、位置等），在多模态信号融合及其在多样化国家中的表现尚未深挖。
  • 当前模型在地理和文化多样性影响下的表现仍鲜有探索。

解决方案

• 提出的解决方法:

  • 研究者使用了一项实验协议，采集自637名学生的多模态智能手机传感数据和216,000次自报告，覆盖丹麦、英国、意大利、蒙古和巴拉圭五个国家，定义了12类复杂日常活动作为目标任务。
  • 基于这些数据，提出了三种训练和评估方法：国家特定（country-specific）、国家无关（country-agnostic）、多国家模型（multi-country）。
  • 采用随机森林、AdaBoost和多层感知机（MLP）三种模型进行训练和测试。

• 创新之处:

  • 提出复杂日常活动识别任务，超越简单活动识别。
  • 提出全面比较不同国家间建模与泛化性能的框架。
  • 强调国家间行为分布差异对机器学习模型的影响。

• 实施步骤与关键技术:

  • 数据预处理：针对每次活动自报告，结合10分钟时间窗内的多模态手机传感数据，如位置信号、WiFi、蓝牙、屏幕交互事件等构造特征。
  • 数据分割与建模：实施完整数据分析（如ANOVA方差分析）以比较不同国家的关键特征；对比不同训练与测试范式（population-level与hybrid models）。
  • 性能评估：基于F1分数、AUROC指标评估模型。

研究成果

• 具体成果:

  • 国家特定模型在训练与测试在同一国家时表现最佳，AUROC范围为0.79-0.89。
  • 多国家模型泛化效果较差（AUROC约0.71），难以捕捉跨国差异。
  • 国家无关模型在不同地理区域的泛化能力有限，尤其是在欧洲之外的国家（如蒙古、巴拉圭）。

• 与现有解决方案比较的优势:

  • 研究揭示了即使在相同数据协议下，不同国家的行为模式差异显著，强调多样性感知的必要性。
  • 提供了对稀疏数据和特征差异建模的深入分析。

• 实验或评估结果:

  • 国家特定方法优于多国家与跨国家通用模型。
  • 高度个性化（hybrid）模型能显著提升泛化能力，但仍无法达到国家特定模型的性能。
  • 不同活动（如运动、购物）的最佳特征因文化/地理而异。

• 局限性与未来方向:

  • 数据收集时处于疫情封锁期，可能导致结果对高静止行为的偏倚。
  • 数据分布不均衡（如意大利数据量大于其他国家）。
  • 未来研究需探讨时间序列特征的领域适配（domain adaptation）以及更全面的全球行为样本。
  • 应进一步研究深度的行为属性（如个性、价值观）对模型表现的影响。

总结与启示

• 本研究首次系统揭示了国家/文化差异对复杂日常活动识别的影响，提出了以多模态手机传感数据为基础的行为模型研发的新视角。
• 论文呼吁开发地理多样性感知的新型机器学习模型，并使用更多样化和多维度的数据集以拓展研究发现对实践的适用性。