PWMF-ResMiniNet：一种结合精度加权多CNN融合的轻量级可穿戴传感器人体活动识别新框架

《IEEE Access》：PWMF-ResMiniNet: A Novel Lightweight Deep Learning and Fusion Framework Combining Precision-Weighted Integration of Multiple CNNs for Wearable Sensor-Based Human Activity Recognition

本文推荐一种面向可穿戴传感器人体活动识别（HAR）的轻量级深度学习融合框架PWMF-ResMiniNet。该研究针对GOTOV数据集中多传感器数据融合难题，提出精度加权模型融合（PWMF）算法，通过基于各类别验证精度的自适应权重分配实现决策级融合；同时设计轻量化CNN架构ResMiniNet，参数量减少约75%。实验表明，该框架在GOTOV数据集上F1分数超90%，在PAMAP2和WISDM 2019数据集上均优于HARDenseCNN等先进方法，为资源受限的边缘计算环境提供了高精度解决方案。

　　

随着智能可穿戴设备的普及，基于传感器的人体活动识别（HAR）技术已成为健康监测、智能家居和安防等领域的关键支撑。然而，现有技术仍面临三大挑战：传统机器学习方法依赖人工特征提取导致泛化能力不足；深度学习模型参数量大难以部署到资源受限的边缘设备；多传感器数据融合策略效率低下。尤其在使用GOTOV等包含16类复杂日常活动的数据集时，类间相似性高、样本不平衡等问题进一步加大了识别难度。

为突破这些瓶颈，Mohammad Sakka团队在《IEEE Access》发表论文，提出名为PWMF-ResMiniNet的创新框架。该研究首次在GOTOV数据集上实现超过90%的F1分数，核心突破在于两大技术贡献：一是精度加权模型融合（PWMF）算法，通过计算每个传感器模型在验证集上的类别精度作为融合权重，以零计算成本提升决策质量；二是ResMiniNet轻量卷积架构，在保持精度的同时将参数量降低75%。研究还发现胸部传感器对活动识别贡献微弱，通过剔除冗余模态进一步优化了系统效率。

关键技术方法包括：1) 使用格拉米角差场（GADF）将三轴加速度时间序列转换为图像；2) 分别训练踝部、腕部传感器的ResMiniNet模型（输入为8通道100×100像素图像）；3) 采用基于验证集类别精度的PWMF加权融合策略；4) 通过20名受试者的GOTOV数据集（包含踝、腕、胸三处传感器）进行验证，严格按受试者划分训练/验证/测试集。

模型架构设计

独立CNN分支采用三层卷积结构，嵌入残差块增强梯度流动。每个传感器模态生成8通道图像（含局部/全局归一化的三轴加速度和幅度值），通过自适应池化层压缩特征后输出16类活动概率。

融合策略比较

实验对比了卷积融合与全连接融合两种方案。PWMF算法仅需O(M×C)计算量，通过加权求和三类传感器输出概率实现融合。结果显示其显著优于传统贝叶斯模型平均（BMA），因为精度权重直接反映模型对特定类别的预测可靠性。

消融实验验证

通过移除残差块构建轻量版ResMiniNet，参数量减少76%仍保持90.18%的F1值。在PAMAP2和WISDM 2019数据集上的跨域测试中，PWMF-ResMiniNet均超越HARDenseRNN和HART等基准模型，尤其在相似活动（如不同坐姿、行走速度）区分上表现突出。

可解释性分析

梯度加权类激活映射（Grad-CAM）可视化表明，踝部模型对周期性运动（如骑行）敏感，腕部模型擅长捕捉手部活动（如堆叠货架）。这种类特异性优势正是PWMF算法加权融合的理论基础。

研究结论强调，PWMF-ResMiniNet首次在GOTOV数据集上达到93.08%的F1分数，较基线提升15-20%。其价值在于：1) 通过精度加权融合解决多传感器决策冲突；2) 轻量设计适合边缘设备部署；3) 为相似活动区分提供新思路。局限性包括GAF图像转换计算成本高、对未知活动识别能力有限。未来工作将探索动态权重调整和零样本学习方向，推动HAR技术在真实场景中的应用落地。