可穿戴 IMU 活动记录

基于多尺度仲裁与时间记录层的端到端可穿戴 IMU 片段级活动识别系统

将连续 100 Hz 腕部 IMU 信号转换为包含活动类别与起止时间的片段记录。

Android Demo 浏览器 Demo 方法 GitHub

259.6 小时传感器数据 37 条独立外部测试记录 0.90 Micro-F1

实时 IMU 数据流 100 Hz · 6 通道

3 秒模型 5 秒模型 8 秒模型 LBSA TRL

09:02–09:17羽毛球

09:25–09:34跳绳

09:41–09:53跑步

连续信号 稳定记录

问题与输出

窗口级预测不能直接形成可靠的活动记录。面对长时传感器数据，系统还必须恢复活动类别、事件数量、持续时间与起止边界。

六通道腕部 IMU 流 → {活动, 开始, 结束}

当前任务在 100 Hz 腕部加速度计和陀螺仪数据上评估五类运动。背景运动参与解码，但不会作为运动记录输出。

方法

IMU 流 → 3/5/8 秒后验 → LBSA → TRL → 活动记录。

01

多尺度模型

使用分尺度 CNN–BiLSTM 分析 3、5、8 秒时间视图。

02

边界感知融合

LBSA 在切换附近加强短窗口证据，在稳定区域保留长窗口上下文。

03

活动记录构建

TRL 对融合时间线进行平滑、解码、合并、边界修正与过滤。

阅读完整方法

实验证据

系统工作点在独立的 37 条外部测试记录评估之前完成冻结。

259.6 h传感器数据

37 / 114测试记录 / 活动片段

0.90Micro-F1

0.89 平均用户 F1 · LBSA + TRL

已评估范围

研究所用设备、腕部佩戴位置和长时会话协议下的五类活动。

新设备、佩戴位置、用户、活动类别和部署条件都需要重新验证。

查看完整结果与失败案例

查看完整演示流程

在当前浏览器本地运行 →

浏览器演示

在一个页面查看信号、概率、时间线和活动记录

使用内置合成记录或兼容的腕部 IMU 文件，运行公开的 3、5、8 秒 ONNX 模型；样本始终留在访问者设备上。

• 六通道信号曲线
• 解码后的活动时间线
• 活动记录表与 CSV 导出

运行浏览器 Demo Demo 源码 对照 HF 服务端 Demo

复现与查看源码

源码

GitHub

查看 Python 包、实验脚本、Android 应用、问题记录和版本历史。

权重

模型

从 Hugging Face 下载已校验的 PyTorch 和 ONNX 模型资产。

代码

快速开始

验证公开代码包，并运行需要授权数据的推理流程。

端侧演示

Android APK

下载 App 与合成样例，直接体验离线端侧推理。

GitHub 不分发参与者记录。复现指南明确区分公开验证与需要授权数据的完整流程。