主要结果

主要分析在独立外部测试集上评价完整活动记录。

37测试记录

114真实片段

0.90Micro-F1

评估协议

预测片段与同类别真实片段按 IoU > 0.5 一对一匹配。这种记录级评估会同时惩罚漏检、误报、拆分、合并、类别错误与边界偏移。

数据角色	记录数	用途
训练集	80	模型拟合与训练阶段检查点选择
开发／校准集	20	时序策略校准与诊断
独立外部测试集	37	所有选择冻结后进行一次最终评估

外部测试标签不参与检查点、融合规则、TRL 参数或报告方案的选择。平均用户 F1 对每位用户等权；Micro-F1 汇总全部 TP、FP 与 FN。

外部测试

五种固定方案评估同一组 37 条记录。

固定方案	平均用户 F1	95% CI	Micro-F1	TP / FP / FN
5 秒 + 8 秒 + TRL	0.88	0.80–0.94	0.88	98 / 11 / 16
三模型平均 + TRL	0.88	0.80–0.94	0.89	98 / 9 / 16
三模型加权 + TRL	0.89	0.81–0.94	0.89	99 / 9 / 15
LBSA + 宽松 Top-K	0.88	0.80–0.95	0.88	103 / 17 / 11
LBSA + TRL	0.89	0.82–0.94	0.90	99 / 7 / 15

主要结果。LBSA + TRL 保持最高的四舍五入 F1，同时在对比方案中产生最少的假阳性记录。

分类结果

活动	真实片段	TP / FP / FN	精确率	召回率	F1	匹配 IoU
羽毛球	32	26 / 3 / 6	0.90	0.81	0.85	0.87
跳绳	20	19 / 0 / 1	1.00	0.95	0.97	0.84
哑铃飞鸟	20	19 / 1 / 1	0.95	0.95	0.95	0.78
跑步	20	18 / 1 / 2	0.95	0.90	0.92	0.82
乒乓球	22	17 / 2 / 5	0.90	0.77	0.83	0.86

跳绳的 F1 最高。乒乓球召回率最低，说明较弱或含混的证据仍会造成漏检。

代表性案例

一个成功案例与一个部分失败案例。

尺度仲裁改善了成功案例中的边界。失败案例在后验证据较弱的位置仍存在一次漏检和一次误报；分类器没有提供的活动证据，TRL 无法凭空恢复。

限制

评估范围

• 结果衡量片段记录质量，不代表临床、训练或安全价值。
• 证据覆盖研究所用设备、佩戴位置和协议下的五类活动。
• 新设备、佩戴位置、用户、活动类别和部署条件需要重新验证。
• 密集会话和相邻同类事件仍然困难。

开发集诊断、公共数据集可移植性检查与 Android 工程证据见补充分析。复现命令和资产边界统一放在复现页。