基于网格过渡标记的一维运动信号人体活动识别新方法

《IEEE Access》：Human Activity Recognition from 1-D Motion Signal based on Grid Transition Labeling

为解决滑动窗口方法在人体活动识别（HAR）中存在的多类窗口问题、窗口大小决策困难和计算成本高等挑战，研究人员提出了一种基于网格过渡标记的无滑动窗口方法。该方法将活动间的过渡视为检测对象，通过将信号段划分为网格并预测过渡位置及前后活动类别，实现了高效准确的活动识别。实验在UCI HAPT和WISDM数据集上分别达到0.930和0.939的准确率，显著优于FCN、U-Net等基线方法，且计算成本大幅降低，更适合智能手机等边缘设备部署。

　　

在智能穿戴设备日益普及的今天，人体活动识别（HAR）技术正悄然改变着我们的生活方式。从健康监测到人机交互，这项技术让设备能够"读懂"人类的动作意图。然而，传统的活动识别方法面临着一个棘手难题——滑动窗口。就像用固定大小的相框去捕捉瞬息万变的动作，这种方法不仅难以准确捕捉活动边界，还会带来高昂的计算成本。特别是在智能手机、智能手表等计算资源有限的边缘设备上，这一矛盾更加突出。

传统滑动窗口方法需要预先设定窗口大小，但不同活动的持续时间差异巨大——站立可能是静止的几分钟，而坐下动作可能只需几秒钟。更糟糕的是，当一个窗口内包含多个活动时，系统只能给整个窗口分配一个标签，导致部分数据被错误标记。此外，为了确保检测精度，相邻窗口通常需要50%-80%的重叠，这意味着大量重复计算，严重制约了在移动设备上的实际应用。

受到计算机视觉领域突破性成果的启发，日本九州大学的研究团队独辟蹊径，将活动识别问题重新定义为"过渡检测"任务。正如人眼最容易注意到画面中物体的边缘变化，研究人员发现活动之间的过渡点在信号中同样最容易被识别。基于这一洞察，他们提出了一种名为"网格过渡标记"的创新方法，相关研究成果已发表在《IEEE Access》期刊上。

该方法的核心技术包括三个关键环节：首先对原始加速度计、陀螺仪等传感器采集的一维信号进行标准化预处理，将其分割成较长的信号段（如35秒）；然后采用创新的网格过渡标记策略，将每个信号段均匀划分为多个网格，对每个网格标注是否包含活动过渡点、过渡点的相对位置以及过渡前后活动的类别概率；最后构建基于1D-VGG的深度学习模型，通过专门设计的加权损失函数进行端到端训练，实现从信号段到活动序列的直接映射。

样本点级分类结果显示，该方法在UCI HAPT和WISDM两个公开数据集上的准确率分别达到0.930和0.939，显著优于对比的滑动窗口方法（VGG、LSTM、ConvLSTM、IMU-Transformer）和无滑动窗口方法（FCN、U-Net）。特别是在处理UCI HAPT数据集中的六个过渡活动（如站起、坐下等）时，由于这些活动持续时间较短（2.57-4.95秒），传统方法识别效果较差，而网格过渡标记方法仍能保持较高识别精度。

过渡检测性能分析表明，该方法在UCI HAPT数据集上达到0.874的召回率和0.545秒的绝对平均误差，在WISDM数据集上达到0.728的召回率和1.450秒的绝对平均误差。这意味着系统能够准确捕捉大部分活动变化点，且定位误差在可接受范围内。

网格参数影响研究发现，网格大小和网格数量对系统性能有显著影响。较大的片段尺寸（网格大小×网格数量）通常能提供更多特征信息，有助于提高识别准确率。而过渡检测的召回率主要取决于网格大小，说明系统更依赖局部特征进行过渡点识别。

针对数据不平衡的处理，研究团队采用了动态下采样策略。对于WISDM这类类别分布不平衡的数据集，在训练过程中，当当前片段不包含过渡点时，将滑动大小增大4倍，有效缓解了类别不平衡问题，使准确率和过渡召回率分别提升0.030和0.156。

计算效率评估是本研究的一大亮点。与传统滑动窗口方法相比，网格过渡标记方法将计算成本降低了2-5倍。与FCN和U-Net等其他无滑动窗口方法相比，该方法所需的浮点运算次数（FLOPs）分别为6.67×10⁴n、2.78×10⁵n和1.15×10⁶n，显示出明显的计算效率优势。模型参数量为863万，内存占用32.92MB，在CPU上的推理时间也显著短于对比方法，使其更适合在资源受限的边缘设备上部署。

研究团队也坦诚指出了方法的局限性。对于持续时间极短的活动识别，如果单个网格内出现多个过渡点，网格过渡标记将难以准确标注。此外，在实时性要求极高的应用场景（如体感游戏）中，该方法可能存在延迟问题。在实际部署时，还需要考虑不同设备、环境下的泛化能力以及用户隐私保护等挑战。

这项研究的意义在于为可穿戴设备上的人体活动识别提供了一种全新的解决方案。通过将活动过渡视为检测对象，网格过渡标记方法不仅克服了传统滑动窗口的固有缺陷，还显著提升了识别效率和准确性。随着物联网和边缘计算技术的快速发展，这种低计算成本、高精度的活动识别方法有望在健康监测、智能家居、人机交互等领域发挥重要作用，为构建更加智能、高效的数字生活奠定技术基础。