API¶

软件包刻意保持小巧且面向源码。导入前请以可编辑模式安装：

python -m pip install -e .

软件包¶

模块	主要职责
`imu_activity_pipeline.config`	路径、划分名称、通道、窗口、类别及训练／解码默认值
`signal_file_reader`	读取每用户制表符分隔的传感器流
`sensor_data_processing`	滤波、特征准备、窗口构建与标签
`neural_network_models`	损失函数与 PyTorch 检测器／分类器定义
`train`、`train_parallel`	顺序与并行训练流程
`inference`	模型加载、多尺度预测、解码与片段生成
`evaluate`	同类别片段匹配与指标计算
`prediction_writer`	将输出行写入 Excel

版本¶

import imu_activity_pipeline

print(imu_activity_pipeline.__version__)

当前软件包版本：

0.1.0

信号¶

DataReader 读取目录中的每个 .txt 文件，并返回以文件名主干为键的字典。

from imu_activity_pipeline.signal_file_reader import DataReader

reader = DataReader("data/signals/external_test")
sessions = reader.read_data()

for user_id, frame in sessions.items():
    print(user_id, frame.shape)

每个数据帧应包含数据页面中说明的规范时间戳与六个 IMU 通道。

推理¶

from imu_activity_pipeline.inference import run_inference

segments = run_inference(
    data_dir="data/signals/internal_eval",
    output_file="predictions_internal_eval.xlsx",
)

返回的片段行与工作簿使用：

user_id, category, start, end

输出¶

from imu_activity_pipeline.prediction_writer import DataOutput

rows = [
    ["HNU00001", "跑步", 1760000000000, 1760000600000],
]

DataOutput(
    rows,
    output_file="predictions_external_test.xlsx",
).save_predictions()

分类器¶

import torch

from imu_activity_pipeline.neural_network_models import CombinedModel

model = CombinedModel(
    input_channels=6,
    num_classes=6,
    window_size=300,
)

x = torch.randn(2, 300, 6)
logits = model(x)
print(logits.shape)  # torch.Size([2, 6])

实际模型将三种卷积核大小与双向 LSTM、融合分类头相结合。

配置¶

from imu_activity_pipeline import config

print(config.SPLIT_NAMES)
print(config.WINDOW_CONFIGS)
print(config.ACTIVITIES)

导入 config 时会读取 HLS_HAR_DATA_ROOT、HLS_HAR_MODEL_DIR 等路径设置。请在启动 Python 前设置环境变量。

兼容¶

仓库根目录的脚本在委托给软件包的同时保留源码检出命令：

run_inference.py
train.py
train_parallel.py
train_single_model.py
evaluate.py

对于可复现自动化，当软件包模块提供 CLI 时，优先使用 python -m imu_activity_pipeline.<module>，并记录软件包版本／Git 提交。