2020年7月5日，团队成员郭富康参加了1st International conference on neural computing and advance application线上会议。并分享了A Tree-structure convolutional neural network for temporal feature exaction on sensor-based multi-resident activity recognition.

随着传感器设备在智能家居中的广泛应用，活动识别引起了人们的极大兴趣，现有的研究大多假设只有一个居住者。而在现实中，家里一般都有多个居民，这给识别活动带来了更大的挑战。此外，许多传统的方法依赖于人工时间序列数据分割，忽略了事件的固有特征，其启发式手工特征生成算法很难利用不同的特征对不同的活动进行准确分类。为了解决这些问题，我们提出了一种基于端到端树形卷积神经网络的多居民活动识别框架（TSC-MRAR）。首先，我们将每个样本视为一个事件，在不分割时间序列数据的情况下，通过滑动窗口中先前的传感器读数获得当前事件的嵌入。然后，为了自动生成时间特征，设计了一个树状结构的网络来推导相邻读数的时间相关性。将提取的特征输入到全连通层中，该层可以同时学习居民标签和活动标签。最后，在CASAS数据集上的实验表明，与现有技术相比，该模型在多居民活动识别方面具有较高的性能。

本文对比了不同的算法，对比结果如下表。发现我们的方法在居民预测方面表现最好。我们使用结构1的方法比结构2具有更好的性能，这意味着更多的连接可以使conv层学习更多的信息。我们应该进一步提高我们的方法预测活动的能力。