摘要

來自多個(gè)傳感器的多變量時(shí)間序列（MTS）數(shù)據(jù)由于傳感器錯(cuò)位、重新連接或個(gè)體差異等因素，往往在不同領(lǐng)域之間存在差異，這對(duì)領(lǐng)域泛化（DG）構(gòu)成了重大挑戰(zhàn)�，F(xiàn)有方法通常假設(shè)一個(gè)統(tǒng)一不變的時(shí)空結(jié)構(gòu)，忽略了由不同傳感器關(guān)系引起的分布差異。為了解決這一限制，我們提出了“MTS數(shù)據(jù)中的自適應(yīng)空間依賴對(duì)齊方法用于領(lǐng)域泛化”（Adaptive Spatial Dependency Alignment in MTS Data for Domain Generalization），這是一個(gè)新穎的兩階段框架，可以自適應(yīng)地對(duì)齊不同領(lǐng)域之間的空間依賴關(guān)系。具體來說，該框架包括一個(gè)感知輸入的圖生成模塊和一個(gè)基于圖神經(jīng)網(wǎng)絡(luò)（GNN）的領(lǐng)域泛化層，以及一個(gè)領(lǐng)域泛化損失函數(shù)，這些組件將第二階段學(xué)習(xí)到的空間依賴關(guān)系與第一階段建立的關(guān)系對(duì)齊，從而實(shí)現(xiàn)更精確和一致的跨領(lǐng)域?qū)�齊。此外，我們還采用了雙視圖正則化策略來確保傳感器的獨(dú)立性和時(shí)間一致性。我們的理論分析表明，這種方法有助于提高模型在多樣化分布下的魯棒性。通過對(duì)四個(gè)真實(shí)世界數(shù)據(jù)集的廣泛評(píng)估，我們發(fā)現(xiàn)該方法的性能優(yōu)于現(xiàn)有的十三個(gè)基線方法。據(jù)我們所知，這項(xiàng)工作是首批專注于廣泛空間依賴對(duì)齊的研究之一，為MTS數(shù)據(jù)的領(lǐng)域泛化開辟了新的方向。我們的代碼可在以下鏈接獲�。�https://anonymous.4open.science/r/ASAM_IF。

引言

在分析多變量時(shí)間序列（MTS）數(shù)據(jù)相關(guān)的人類行為時(shí)，識(shí)別多傳感器結(jié)構(gòu)與同時(shí)發(fā)生的時(shí)間序列特征之間的復(fù)雜相互作用至關(guān)重要（Cai, Liang, Liu, Feng, Wu, 2024; Liu, Yao, Cheng, Chen, 2025; Qiu, Zhang, Wang, Liu, Cheng, Wu, 2025; Yi, Zhang, Fan, He, Hu, Wang, An, Cao, Niu, 2024）。這種固有的復(fù)雜性可能導(dǎo)致MTS數(shù)據(jù)在不同領(lǐng)域之間的分布差異，其中“領(lǐng)域”被定義為數(shù)據(jù)收集條件，例如不同的受試者或同一受試者的不同記錄重復(fù)次數(shù)（Farina, Jiang, Rehbaum, Holobar, Graimann, Dietl, Aszmann, 2014; He, Queen, Koker, Cuevas, Tsiligkaridis, Zitnik, 2023）。圖1展示了兩種不同傳感器配置的情況：(a) 傳感器錯(cuò)位；(b) 傳感器排列。圖1-(a)通常發(fā)生在同一受試者多次重新連接傳感器的情況下（重復(fù)測(cè)量）。例如，表面肌電圖（sEMG）信號(hào)由于多次重新連接而表現(xiàn)出顯著的變化，導(dǎo)致傳感器在空間上錯(cuò)位（Farina et al., 2014）。圖1-(b)中所示的傳感器排列情況在MTS數(shù)據(jù)中也很常見，因?yàn)閭鞲衅黜樞虻淖兓�可能源于�?shù)據(jù)采集流程或傳感器部署條件的差異（Emiya, Bonnefoy, Daudet, & Gribonval, 2014）。這兩種情況都可能導(dǎo)致MTS數(shù)據(jù)在不同領(lǐng)域之間存在特定的空間分布偏移，每個(gè)領(lǐng)域都有不同的空間依賴關(guān)系。 領(lǐng)域泛化（DG）方法最近受到了廣泛關(guān)注，旨在減輕不同領(lǐng)域之間的分布偏移。在這里，我們將訓(xùn)練時(shí)使用的領(lǐng)域稱為源領(lǐng)域，而在測(cè)試時(shí)遇到的未見領(lǐng)域稱為目標(biāo)領(lǐng)域。與無監(jiān)督領(lǐng)域適應(yīng)（UDA）不同，后者在訓(xùn)練過程中結(jié)合目標(biāo)領(lǐng)域特征以減輕領(lǐng)域偏移，DG嚴(yán)格禁止在訓(xùn)練期間訪問目標(biāo)領(lǐng)域數(shù)據(jù)。這種限制在醫(yī)療保健等領(lǐng)域尤為重要（Deng, Sprangers, Li, Schelter, de Rijke, 2024; Zhang, Dullerud, Seyyed-Kalantari, Morris, Joshi, Ghassemi, 2021a）。除了MTS傳感器數(shù)據(jù)外，一些研究還提出了基于圖的DG方法（Miao, Liu, Li, 2022; Sui, Wang, Wu, Lin, He, Chua, 2022），這些方法通過提取不變的圖結(jié)構(gòu)來納入領(lǐng)域的空間依賴關(guān)系。然而，基于圖的領(lǐng)域泛化方法在處理實(shí)際中遇到的MTS特定分布偏移方面仍然存在局限性，因?yàn)樗鼈冎饕�依賴于提取一個(gè)固定的、跨領(lǐng)域共享的空間結(jié)構(gòu)，這可能不足以捕捉復(fù)雜的跨領(lǐng)域傳感器對(duì)齊問題，包括傳感器錯(cuò)位或排列（Zhang, Zeman, Tsiligkaridis, & Zitnik, 2022）。據(jù)我們所知，專門針對(duì)MTS數(shù)據(jù)設(shè)計(jì)的DG方法，考慮到不同領(lǐng)域之間空間配置的差異，目前研究還較少。 在本文中，我們提出了“MTS數(shù)據(jù)中的自適應(yīng)空間依賴對(duì)齊方法用于領(lǐng)域泛化”，這是一個(gè)新穎的兩階段框架，明確解決了由傳感器引起的錯(cuò)位和排列問題。我們的關(guān)鍵見解是結(jié)合了以下兩個(gè)方面：(1) **傳感器位置嵌入**：我們嵌入每個(gè)傳感器的身份和潛在的空間角色，以便即使在重新排序或移動(dòng)后，通道仍然可區(qū)分；(2) **領(lǐng)域泛化層**：一個(gè)可學(xué)習(xí)的領(lǐng)域泛化層，用于查詢新領(lǐng)域，并將其傳感器嵌入轉(zhuǎn)換為從訓(xùn)練領(lǐng)域?qū)W到的共享空間配置。因此，我們將每個(gè)新領(lǐng)域的表示與之前的傳感器關(guān)系對(duì)齊，而不是假設(shè)一個(gè)固定的鄰接關(guān)系或通道順序。 技術(shù)上，該過程分為兩個(gè)階段。**第一階段**使用傳感器位置嵌入和基于圖的層來學(xué)習(xí)傳感器之間的領(lǐng)域不變關(guān)系。我們通過雙視圖正則化來防止過擬合目標(biāo)領(lǐng)域，包括：通道去相關(guān)損失，強(qiáng)制每個(gè)傳感器的嵌入捕獲獨(dú)特且不冗余的信息；以及高斯核損失，促進(jìn)平滑的局部時(shí)間結(jié)構(gòu)，以強(qiáng)化重要的信號(hào)模式。**第二階段**引入了一個(gè)領(lǐng)域泛化層，用于自適應(yīng)地將未見領(lǐng)域與學(xué)習(xí)到的空間表示對(duì)齊。這個(gè)DG層通過一個(gè)可學(xué)習(xí)的查詢嵌入進(jìn)行參數(shù)化，以生成一個(gè)輸入驅(qū)動(dòng)的鄰接矩陣，從而適應(yīng)傳感器排列或重新連接的情況。我們定義了一個(gè)領(lǐng)域泛化損失函數(shù)，以保持轉(zhuǎn)換后的表示與第一階段學(xué)到的原始的、領(lǐng)域不變的特征接近，確保跨領(lǐng)域的魯棒對(duì)齊。 我們進(jìn)一步從理論上證明了優(yōu)化第二階段的損失等同于實(shí)現(xiàn)一個(gè)MTS驅(qū)動(dòng)的信息瓶頸，保留與任務(wù)相關(guān)的傳感器信息，同時(shí)丟棄領(lǐng)域特定的噪聲。我們證明了這一目標(biāo)能夠最大化領(lǐng)域?qū)�齊表示與學(xué)習(xí)到的傳感器角色之間的互信息，同時(shí)最小化對(duì)領(lǐng)域特性的依賴。 我們的模型在四個(gè)真實(shí)的MTS傳感器數(shù)據(jù)集上進(jìn)行了嚴(yán)格評(píng)估，包括表面肌電圖（sEMG）和人類活動(dòng)識(shí)別（HAR）數(shù)據(jù)集，這些數(shù)據(jù)集由于傳感器錯(cuò)位而自然具有不同的分布。實(shí)證分析證實(shí)了該方法比現(xiàn)有的十三個(gè)基線方法更有效。此外，通過對(duì)不同領(lǐng)域配置進(jìn)行傳感器排列實(shí)驗(yàn)的進(jìn)一步分析，突顯了該方法在解決MTS特定領(lǐng)域偏移方面的顯著優(yōu)勢(shì)。

領(lǐng)域泛化

領(lǐng)域泛化（DG）旨在減輕不同領(lǐng)域之間的分布偏移。由于分布偏移問題可能出現(xiàn)在各種領(lǐng)域，包括計(jì)算機(jī)視覺（Thota & Leontidis, 2021）、自然語(yǔ)言處理（Glorot, Bordes, & Bengio, 2011）和圖論（Fan, Wang, Mo, Shi, Tang, 2022, Miao, Liu, Li, 2022），因此DG受到了越來越多的關(guān)注。大多數(shù)DG方法試圖識(shí)別不變信息，并大致分為兩類：

問題定義

為了清晰起見，本文中使用的主要符號(hào)在表2中進(jìn)行了總結(jié)。MTS數(shù)據(jù)集中的每個(gè)實(shí)例可以表示為$X\in R^{N\times T}$，其中N表示傳感器的數(shù)量（通道數(shù)），T表示時(shí)間戳的數(shù)量。數(shù)據(jù)集可以形式化為$D={\{(X^{(\mathrm{i<mo>)</mo>}},Y^{(\mathrm{i<mo>)</mo>}})\mathrm{i<mo>=</mo><mn>1</mn>}DOM}_{}^{}$，其中DOM表示領(lǐng)域的數(shù)量，$X^{(\mathrm{i<mo>)</mo>}}$和$Y^{(\mathrm{i<mo>)</mo>}}$分別是第個(gè)領(lǐng)域的數(shù)據(jù)和標(biāo)簽集。$D_{}$被劃分為$D_{}$（源領(lǐng)域集合）和$D_{}$（目標(biāo)領(lǐng)域集合）。

數(shù)據(jù)集

我們使用四個(gè)數(shù)據(jù)集來驗(yàn)證我們的方法：兩個(gè)用于手勢(shì)識(shí)別的表面肌電圖（sEMG）傳感器數(shù)據(jù)集和兩個(gè)用于人類活動(dòng)識(shí)別（HAR）的數(shù)據(jù)集。 Ninapro ²是一個(gè)廣泛用于手勢(shì)識(shí)別的sEMG數(shù)據(jù)集（Pizzolato et al., 2017）。它包含10個(gè)大型數(shù)據(jù)庫(kù)；我們使用了Ninapro DB 5，其中包含來自兩個(gè)MYO臂帶傳感器的數(shù)據(jù)（總共16個(gè)通道）。

討論

在本節(jié)中，我們討論了實(shí)際考慮因素、局限性以及未來的研究方向。我們涵蓋了（5.1）時(shí)間依賴效應(yīng)，如傳感器漂移及其與MTS中傳感器結(jié)構(gòu)變化的相互作用；（5.2）隨著傳感器數(shù)量增加而產(chǎn)生的二次圖構(gòu)建的可擴(kuò)展性問題；以及（5.3）建模層次化空間依賴關(guān)系的潛在好處。

結(jié)論

本文提出了一個(gè)針對(duì)MTS數(shù)據(jù)的領(lǐng)域泛化框架，該框架明確解決了MTS特定的分布偏移問題。通過學(xué)習(xí)傳感器位置嵌入，捕捉傳感器角色，并通過專用的DG層對(duì)齊不同領(lǐng)域之間的空間依賴關(guān)系。我們還提供了理論見解，支持所提出的對(duì)齊目標(biāo)在未見領(lǐng)域下的魯棒性。據(jù)我們所知，這是首批研究MTS領(lǐng)域泛化方法的工作之一。

CRediT作者貢獻(xiàn)聲明

Bae Jaehyun：概念化、數(shù)據(jù)整理、形式分析、方法論、軟件開發(fā)、可視化、初稿撰寫及審稿編輯。 Jung Heesoo：概念化、數(shù)據(jù)整理、形式分析、方法論、軟件開發(fā)、可視化、初稿撰寫。 Park Hogun：概念化、研究設(shè)計(jì)、資金獲取、項(xiàng)目管理、監(jiān)督、審稿編輯。

利益沖突聲明

作者聲明以下可能的財(cái)務(wù)利益/個(gè)人關(guān)系：Hogun Park報(bào)告稱獲得了韓國(guó)創(chuàng)意內(nèi)容機(jī)構(gòu)（Korea Creative Content Agency）的財(cái)務(wù)支持；Hogun Park報(bào)告稱獲得了信息與通信技術(shù)規(guī)劃與評(píng)估研究所（Institute of Information & Communications Technology Planning & Evaluation）的財(cái)務(wù)支持；Hogun Park報(bào)告稱獲得了韓國(guó)國(guó)家研究基金會(huì)（National Research Foundation of Korea）的財(cái)務(wù)支持。