• 问题：人类活动识别（HAR）是健康监测、人机交互等领域的关键技术，但现有方法在实时性和准确性上存在挑战。
• 目标：提出一种新的数据结构和深度学习模型，提升基于智能手机传感器的HAR性能，并实现实时应用。

• 设备：iPhone 7（加速度计 + 陀螺仪），固定在腰部。
• 采样频率：50 Hz，滑动窗口为1.2秒（60个样本），50%重叠。
• 活动类型：8种（行走、慢跑、上下楼梯等）。
• 数据集：14,962个样本（79.9%训练，13.4%验证，6.7%测试）。

• 三种数据表示：
  1. 时间域（TD）：原始传感器数据。
  2. 频域（FD）：通过FFT转换。
  3. 小波变换（WT）：多分辨率分析。
• 两种数据结构：
  1. 单通道（SC）：传感器数据垂直堆叠（7×60）。
  2. 双通道（DC）：加速度计和陀螺仪数据分通道堆叠（14×60）。

• CNN：提取时空特征，双通道输入（TD-DC）效果最佳。
• LSTM：处理时序依赖，但计算成本较高。
• ConvLSTM：结合CNN和LSTM，适合时空数据。

• 空间特征分离：加速度计和陀螺仪数据分通道处理，避免特征混淆。
• 冗余增强：通过信号重复，防止特征在池化层过早丢失。

• 局部特征提取：卷积核捕捉传感器信号的时空相关性。
• 轻量化设计：双通道结构减少参数量，适合移动端部署。

1. 传感器位置固定：仅固定在腰部，未测试其他身体部位。
2. 活动类型有限：仅支持8种日常活动，未涵盖复杂场景。
3. 时间特征不足：CNN可能忽略长时序依赖，需结合LSTM优化。
4. 多传感器融合：未集成其他传感器（如磁力计）。

• 多传感器融合：结合环境传感器（如GPS）扩展活动类型。
• 自适应模型：支持在线学习以适应不同用户行为。
• 轻量化优化：进一步压缩模型尺寸，适配低功耗设备。

1. 滑动窗口分割

   • 输入：原始时间序列数据（50 Hz采样，总时长约150分钟）。
   • 操作：以1.2秒为窗口长度（60个样本），50%重叠切割，生成14,962个数据片段。
   • 目的：捕捉周期性活动特征（如步态），同时通过重叠增加样本量。

2. 数据标准化

   # 示例代码：数据标准化（Z-Score）
   mean = train_data.mean(axis=0)
   std = train_data.std(axis=0)
   train_data = (train_data - mean) / std
   val_data = (val_data - mean) / std

3. 数据表示转换

   • 时间域（TD）：直接使用原始数据（6×60 → 重构为7×60单通道或14×60双通道）。
   • 频域（FD）：对每个窗口应用FFT，提取幅度谱。
   • 小波变换（WT）：3级离散小波分解，生成近似系数和细节系数。

model = tf.keras.Sequential([
    # 输入层：双通道（14×60×2）
    layers.Conv2D(20, kernel_size=(2,2), activation='relu', input_shape=(14,60,2)),
    layers.AveragePooling2D(pool_size=(2,4)),  # 输出形状：(7×15×20)
    
    layers.Conv2D(40, kernel_size=(3,3), activation='relu'),
    layers.AveragePooling2D(pool_size=(1,2)),  # 输出形状：(7×7×40)
    
    layers.Flatten(),
    layers.Dense(256, activation='relu'),
    layers.Dense(8, activation='softmax')
])

• 优化器：Adam（初始学习率 lr=0.0001，指数衰减率 decay_rate=0.9）。
• 正则化：批量归一化（Batch Normalization）加速收敛，缓解梯度消失。
• 训练配置：
  • 批量大小（Batch Size）：50
  • 训练周期（Epochs）：100
  • 损失函数：稀疏分类交叉熵（sparse_categorical_crossentropy）

1. 前向传播

   • 输入数据通过卷积层提取局部特征，池化层降维，全连接层分类。
   • 输出为8类概率分布（Softmax激活）。

2. 损失计算

   • 计算预测概率与真实标签的交叉熵损失：
     [ \mathcal{L} = -\sum_{i=1}^{8} y_i \log(p_i) ]
   • 其中 (y_i) 为真实标签的one-hot编码，(p_i) 为预测概率。

3. 反向传播与参数更新

   • 通过Adam优化器计算梯度，更新卷积核权重和偏置。
   • 学习率动态调整：每1000步按 lr = lr * 0.9 衰减。

4. 验证与早停（Early Stopping）

   • 每训练完一个epoch，用验证集（2000样本）计算准确率。
   • 若验证损失连续5个epoch未下降，则提前终止训练。

• 训练曲线：监控训练集和验证集的准确率与损失（见图12）。
  • 过拟合迹象：训练准确率远高于验证准确率。
  • 欠拟合迹象：两者均低且收敛缓慢。

• 数据增强：因传感器位置固定，仅通过滑动窗口重叠增加数据多样性。
• 学习率调度：指数衰减平衡收敛速度与稳定性。
• 模型轻量化：选择平均池化（非最大池化）减少极端噪声影响。

1. 测试集性能

   • 使用1000个独立样本计算混淆矩阵（见表3），总体准确率99.4%。
   • 关键指标：

     from sklearn.metrics import classification_report
     print(classification_report(y_true, y_pred))

2. 移动端部署

   • 模型转换：通过Core ML Tools将Keras模型转为.mlmodel格式。
   • 实时推理：iPhone 7上实现50 Hz数据流处理，延迟约80 ms。

graph TD
    A[原始传感器数据] --> B[滑动窗口分割]
    B --> C[数据标准化]
    C --> D[数据表示转换 TD/FD/WT]
    D --> E[构建神经网络模型]
    E --> F[前向传播计算输出]
    F --> G[计算交叉熵损失]
    G --> H[反向传播更新参数]
    H --> I[验证集评估]
    I --> J{是否早停?}
    J -->|否| F
    J -->|是| K[保存最佳模型]
    K --> L[测试集评估]
    L --> M[部署到移动端]

• 自适应学习率：为不同参数分配独立的学习率，适合非平稳目标函数。
• 内存效率高：适合移动端部署场景。

• 传感器物理约束：手机固定于腰部，旋转会改变信号物理意义（如水平翻转对应“倒走”）。
• 实时性要求：增加预处理步骤会提高计算延迟。

总结：通过数据重构、轻量化CNN设计、动态学习率调整和严格验证，模型在保证高精度的同时实现了实时推理，为移动健康监测提供了可靠解决方案。