方法¶
本方法把长时腕部 IMU 信号转换成少量活动记录。它分别解决三个问题：当前运动像什么、 哪个时间尺度更可靠，以及怎样把窗口概率整理成稳定的开始—结束记录。
完整信号 \(\mathbf{X}\) 先产生三条对齐的后验向量，LBSA 形成一条融合轨迹，再由 TRL 转换为活动记录集合 \(\mathcal{R}\)。
任务¶
输入是 100 Hz 六路信号，其单个时刻的观测向量写为 \(\mathbf{x}_t=[a_x(t),a_y(t),a_z(t),\omega_x(t),\omega_y(t),\omega_z(t)]^{\mathsf T}\)。 其中，\(a_x,a_y,a_z\) 表示腕部三轴加速度， \(\omega_x,\omega_y,\omega_z\) 表示腕部三轴角速度。
输出是数量不固定的记录集合 \(\mathcal{R}=\{(c_i,t_i^{\mathrm{start}},t_i^{\mathrm{end}})\}_{i=1}^{N}\)。 这是时序活动分割，不是把每个窗口单独分类。系统需要同时恢复活动类别、事件次数、 持续时间和活动边界。
| 项目 | 定义 |
|---|---|
| 采样 | 100 Hz 腕部加速度与角速度 |
| 窗口尺度 | 3 秒、5 秒、8 秒 |
| 步长 | 1 秒 |
| 类别 | 背景 + 五类运动 |
| 记录匹配 | 同类别一对一匹配，\(\operatorname{IoU}>0.5\) |
数据¶
研究使用长时运动数据集 HLS-HAR。数据由华为运动手表采集，包含 137 条记录、 约 4680 万个有效 ACC/GYRO 样本和 259.6 小时连续感知数据。
| 划分 | 记录数 | 用途 |
|---|---|---|
| 训练集 | 80 | 训练模型并在训练阶段选择检查点 |
| 开发／校准集 | 20 | 校准并诊断时序策略 |
| 独立外部测试集 | 37 | 所有选择冻结后进行一次最终评估 |
五类前景活动为羽毛球、跳绳、哑铃飞鸟、跑步和乒乓球。外部测试集含 114 个标注片段。
后验模型¶
每个窗口由一个具有 141 万可训练参数的紧凑 1D-CNN + BiLSTM 网络分类：
- 三条时序卷积分支使用 3、7、15 三种卷积核；
- 各分支分别捕捉短时突变、节律运动和较长周期线索；
- BiLSTM 建模窗口内运动模式的前后顺序；
- 融合分类头输出背景或五类活动。
三个尺度使用相同网络。短窗口保留切换细节，长窗口提供更稳定的活动背景。所有尺度 都以一秒为步长，因此后验概率时间线可以对齐。
LBSA¶
局部边界尺度仲裁（LBSA）分别处理稳定动作与活动切换。5 秒和 8 秒后验概率先 对齐到 3 秒网格。稳定区间侧重长窗口；类别切换附近则让 3 秒分支占主导。
| 区域 | 3 秒 | 5 秒 | 8 秒 |
|---|---|---|---|
| 稳定动作 | 0.20 | 0.35 | 0.45 |
| 局部边界 | 0.50 | 0.27 | 0.23 |
在对齐后的时间步 \(t\)，融合后验概率是三个尺度后验概率的凸组合：
局部边界掩码控制 \(\alpha_{t,s}\)：切换附近提高短窗口权重，稳定动作区域则让长窗口上下文占主导。
边界掩码只来自后验概率变化，不使用片段标签。三个尺度融合后只进行一次时序解码。
TRL¶
时间记录层（TRL）通过明确、确定性的步骤把融合后验概率转换成活动记录：
| 操作 | 作用 | 论文设置 |
|---|---|---|
| 移动平均 | 抑制短暂概率下降 | 7 步 |
| 中值滤波 | 去除孤立尖峰 | 核大小 5 |
| Viterbi 解码 | 限制标签快速跳变 | 受约束转移 |
| 间隔合并 | 连接短暂的同类中断 | < 60 秒 |
| 边界修正 | 修正窗口中心偏差 | ±15 秒 |
| 时长过滤 | 删除短时误报 | ≥ 180 秒 |
| 最终筛选 | 限制较弱或过多记录 | Top-K 3，置信度 ≥ 0.45 |
这些参数面向分钟级训练活动，不是通用 HAR 常数。新的活动协议需要重新校准。
误差链路¶
三个阶段控制不同的记录级误差：
| 阶段 | 主要不确定性 | 可观察影响 |
|---|---|---|
| 后验模型 | 局部运动含混 | 类别证据错误或不稳定 |
| LBSA | 不同尺度的边界模糊 | 开始与结束时间偏移 |
| TRL | 记录构建 | 拆分、合并、误报和时长误差 |
最终系统使用片段 F1、匹配 IoU、边界误差、时长误差和每小时误报评价。评价对象与 实际输出保持一致：完整活动记录。