机器学习在多源传感器数据上的应用

所属专题:主题演讲

所属领域:

嘉宾 : 刘磊 | 机器学习专家

会议室 : 大宴会厅

讲师介绍

主题演讲嘉宾:刘磊

机器学习专家

刘磊:机器学习专家,长期带领团队从事人工智能、机器学习方面的研发和软件架构工作。曾担任华为美国研究院首席机器学习科学家/软件架构师,主要工作集中在华为数据管理、云服务等业务群相关机器学习大数据解决方案。再此前,在惠普实验室作为资深研究科学家(Expert Level)和机器学习项目经理,从事机器学习研发工作。从零开始开发构建出多个重要项目,包括个性化混合学习平台METIS (http://www.hpmetis.com/; https://learn.canvas.net/courses/292/pages/hp-metis)。

刘磊的兴趣在于大数据环境下机器学习、深度学习等技术的研究和应用。在研和已完成项目包括:数据管理中机器学习核心技术,大规模数据分类,推荐系统,社会网络挖掘,网络僵尸病毒检测,可穿戴数据挖掘,基于传感器数据的个性化健康,基于大数据的教育系统。

研究成果获得或已提交美国专利40多项(机器学习,人工智能相关技术发明专利),发表论文30余篇。研发成果在机器学习大会或比赛中获得多项最佳论文或最佳系统奖,包括2016年于意大利获得 ECML-PKDD’2016 Best Machine Learning System Award in SPHERE Data Challenge, ACM WI’2016 最佳论文奖,HPICS’2016 最佳机器学习论文奖等。同时他是IEEE高级会员,担任机器学习、数据挖掘领域多个杂志、国际大会主席、分会场主席、程序委员会委员、特约审稿人。

刘磊获得美国密西根州立大学计算机科学技术博士学位。

议题介绍

地点:大宴会厅
所属专题:主题演讲
所属领域:

演讲:机器学习在多源传感器数据上的应用

Machine Learning on Multi-modal Sensor Data

Digital self-tracking technology has become more accessible to the public in recent years with the development of connected portable devices (such as smart phones, smart watches, smart bands, and other personal biological monitoring devices), human biosensors, as well as information management systems designed for monitoring, storing and analyzing human self-tracking data. The proliferation of such technology has made it much easier than any time before to collect biological and physiological signals, such as the electrocardiogram (ECG), oxygen saturation (SpQ2), heart rate (HR), the electroencephalogram (EEG), Galvanic Skin Response (GSR), blood pressure/oxygen level, body temperature, etc. These self-tracking data can help us better understand each individual’s health conditions by monitoring and analyzing such data.  As a result, mining such sensor data has been gaining significant attention from both industry and academia in recent years.

This presentation focuses on technologies for machine learning platform on analyzing self-monitored data for real-world applications. As an example, a project about multi-modal sensor data for activity recognition will be introduced. In this project, we first collect the sensor data from smart home setting in Bristol (UK), and learn the patterns of human behaviors by machine learning technology. The built machine learning system has the capability to predict the activities of daily living and posture and ambulation. These prediction efforts have practical impact on identifying and alerting stroke, falls, and other emergency scenarios for clinical professionals and caregivers, such as elder people healthcare.

Outline:

  1. Background of Machine Learning on Multi-modal Sensor Data
    1. Sensors in real-world scenarios
    2. Machine Learning on Sensor Data
    3. Challenges of learning from multi-modal sensor data
  2. Machine learning platform and structure
    1. Overall System architecture
    2. Preprocessing and feature engineering
    3. Modeling and Offline evaluation
    4. Online deployment, evaluation, and model updating
  3. Challenges and insight discoveries
    1. Data sparsity and missing issue
    2. Imbalanced data
    3. Sequential behavior pattern over time
  4. Summary and Application Discussion
    1. Application scenario #1: Sequential activity recognition for auto-monitoring system in police station
    2. Application scenario #2: Machine learning on multi-modal sensor data for elder people emergency alert system

参考译文:

随着如手机、智能手表和生物传感器等便携式设备的普及,数字化自跟踪技术近几年已经获得了长足发展。同样,用于监测、存储和分析人类自跟踪数据的信息管理系统设计也在不断的优化。

和以往任何时候相比,由于技术的快速发展,使得收集生物数据和生理数据这个过程变得越来越容易,例如心电图(ECG),血氧饱和度(SpQ2),心率(HR),脑电波信号(EEG),皮肤电反应(GSR),血压,含氧量,体温等等。这些自跟踪数据可以帮助我们通过监测和分析这些数据,来更好地理解个体的健康状况。正因为此,挖掘传感数据中的隐含价值受到越来越多工业界和学术界的关注。

本次演讲会聚焦在介绍机器学习平台在传感数据中的应用,详细对利用多源传感器数据结合机器学习技术来检测人体行为项目做详细介绍。在这一项目中,首先收集位于Bristol (UK)的智能家庭传感器数据,包括重力传感器,环境传感器和三维视觉传感器,之后通过机器学习技术来构建人类行为监测模型。这一机器学习系统能通过分析传感数据,动态准确的检测日常生活里的人体行为活动。这一系统对于识别或者预测中风,摔倒以及其他危险事情有很切实的意义,尤其是在临床案例和老人照顾方面。

演讲提纲

1. 机器学习在多源传感数据上应用的背景介绍

  • 现实生活中传感器的应用
  • 机器学习和传感器数据的结合
  • 机器学习应用于多源传感数据的技术挑战

2. 机器学习平台和架构

  • 系统架构
  • 预处理和特征工程
  • 建模和离线性能评估
  • 在线部署、评估和模型更新

3. 挑战和项目收获

  • 稀疏数据与数据缺失问题
  • 数据分布不均衡问题
  • 时序行为模式分析

4. 总结和应用挑战

  • 案例:警察局自动监测系统里的连续行为识别
  • 案例:老年人紧急状况监测,预警系统
想要批量报名或更多优惠?
立即联系票务报名小助手豆包
或致电:010-84780850