Chaolei Han¹，Lei Zhang¹，Yin Tang¹，Wenbo Huang¹，Fuhong Min¹，Jun He²

（1.电气与自动化工程学院，南京师范大学，中国，

2.电子与信息工程学院，南京信息工程大学，中国）

随着物联网技术和传感器技术的飞速发展，各种运动传感器可以嵌入到手机、手表等智能设备中，记录人们的运动信息。由于成本更低、尺寸更小、部署灵活等明显优势，嵌入加速器和陀螺仪等惯性测量单元（inertial measurement units，IMU）的智能传感设备为隐式地执行活动识别任务提供了更好的替代方案。在智能家居场景中，活动识别可以应用于许多监控任务，例如老年人跌倒检测。由于人口老龄化问题严重，老年人缺乏运动不仅会影响他们的生活质量，还会给社会和个人带来经济负担。近年来见证了使用传感器的辅助人类活动识别（human activity recognition，HAR）系统、医疗保健物联网以及机器学习技术，可以建立长期和老年人友好的环境。由于感知数据的丰富，HAR已成为泛在计算场景中的一个活跃研究课题，可为各种以人为中心的服务或应用的开发提供可靠的支持。

各种机器学习算法，如朴素贝叶斯、支持向量机已在HAR中得到广泛探索。这些基于传感器的HAR传统机器学习主要集中在浅层手工特征的设计上。自动提取相关代表性特征的深度学习技术的最新突破极大的推动了HAR的发展。

在本文中，为了避免调整复杂的网络架构，作者提出了一种新颖的异构卷积网络，旨在加强卷积在HAR场景中产生判别特征。具体来说，首先通过下采样操作将传感器输入转换为低维嵌入。低维嵌入由一个过滤器组处理，然后用于重新校准另一组内的正常过滤器。异构卷积可以相互补充，这对于增强 HAR 应用的传感器信号的感受野非常有利。由于变化的时间尺度是HAR场景中的关键问题，作者提出了一种异构的双流CNN架构，它可以处理不同时间尺度的活动识别。

该方法的主要贡献有三方面：一、为了避免普通卷积中时间尺度固定的缺点，我们首次提出一种新的异构双流CNN架构来编码来自不同感受野大小的传感器时间序列的上下文信息。二、所提出的双流卷积是一个即插即用模块，可以很容易的集成到现有的HAR深度模型中，而无需增加任何额外的内存。三、作者对几个公共HAR数据集进行了广泛地实验，以评估这种异构卷积的变化如何影响整体识别性能。消融实验证实，作者提出的模型能够更好的提取不同时间尺度的活动特征。

资料来源：

根据Chaolei Han等于2022年发表在Expert Systems with Applications期刊题目为《Human activity recognition using wearable sensors by heterogeneous convolutional neural networks》的文章缩写整理而成。

（责任编辑：张卓越）