9、深度学习在人体活动识别中的应用与挑战

深度学习在人体活动识别中的应用与挑战

1. 深度学习在人体活动识别中的特征

1.1 时间特征

人体活动是多个连续基本和过渡活动的组合，持续时间从几秒到几分钟不等。由于传感频率较高（几十到几百赫兹），人体活动信息由时间序列信号表示。基本的连续动作可能呈现平滑变化，但连续基本动作之间的变化可能导致显著改变。因此，从连续基本动作内部和之间提取时间数据对于捕捉人体活动的信号特征至关重要。

常见用于学习时间特征的网络有卷积神经网络（CNN）、循环神经网络（RNN）及其变体：
- CNN ：利用活动和一维时间序列信号的固有特性，适合处理时间序列传感器数据。例如，有研究利用智能手机传感器数据进行高效的人体活动识别，通过CNN自动自适应地从原始数据中提取可靠特征。实验表明，增加卷积层可提高性能，但每层会降低生成特征的复杂度。
- RNN ：更倾向于从时间序列数据中提取时间特征，但传统RNN单元存在梯度消失/爆炸问题。长短期记忆网络（LSTM）解决了这一问题，不同变体的LSTM在处理时间序列数据的人体活动识别中表现出色。此外，还有研究者提出CNN和LSTM的混合模型，结合两者优势，分别提取空间和时间特征，提升人体活动识别模型的性能。

以下是一些基于深度学习的人体活动识别系统的性能表现：
| 传感器 | 数据集 | 模型 | 准确率 |
| — | — | — | — |
| 穿戴式 | D05 | CNN | 88.19% |
| 穿戴式 | D06 | CNN | 76.83% |
| 智能手机 | D17 | CNN | 96