基于小波变换增强双通道Inception-Attention-BiGRU注意力模型的穿戴式传感器人体活动识别研究

《Scientific Reports》：An enhanced dual inception-attention-BiGRU-attention model integrating wavelet transform for wearable sensor-based human activity recognition

本研究针对穿戴式传感器人体活动识别（HAR）中信号噪声干扰和复杂活动模式难以有效捕捉的问题，提出了一种集成小波变换（WT）的增强型双通道Inception-Attention-BiGRU-Attention（Dual-INABA）融合模型。通过Daubechies小波变换进行信号去噪，结合双分支并行结构实现多尺度特征提取和双向时序建模，在WSMC-HAR、UCI-HAR、PAMAP2和WISDM四个数据集上平均准确率达到97.19%。该研究为复杂环境下的实时活动监测提供了新的技术方案。

　　

随着智能穿戴设备的普及，基于传感器的人体活动识别（Human Activity Recognition, HAR）技术正逐步渗透到健康监测、运动分析和智能家居等领域。然而，现实环境中传感器信号易受噪声干扰，且不同活动模式具有复杂的时空特征，传统机器学习方法依赖人工特征提取，难以适应动态变化场景。尽管深度学习技术如卷积神经网络（CNN）和循环神经网络（RNN）能够自动学习特征，但在处理长时序依赖和噪声信号方面仍存在局限。

为解决上述问题，西北民族大学张新国团队在《Scientific Reports》发表研究，提出了一种集成小波变换的增强型双通道Inception-Attention-BiGRU-Attention（Dual-INABA）模型。该研究通过创新性的多模块协同架构，显著提升了复杂活动识别的准确性和鲁棒性。

研究采用小波变换（Wavelet Transform, WT）进行信号预处理，对比了Daubechies（Db）、Morlet和Mexican Hat三种小波函数的去噪效果，并结合10阶巴特沃斯低通滤波器保留有效频段。核心模型Dual-INABA采用双分支并行结构，每分支包含Inception模块、注意力机制和双向门控循环单元（BiGRU），通过多尺度卷积核提取空间特征，利用双向循环网络捕获时序依赖，并引入注意力机制聚焦关键信息。实验使用MPU6050加速度传感器自建WSMC-HAR数据集（包含跑步、慢跑等5类活动），并与UCI-HAR、PAMAP2、WISDM三个公开数据集进行对比验证。

数据预处理结果

小波变换显著提升了信号信噪比（SNR），其中Db小波在四个数据集上平均SNR达14.06 dB，优于Morlet（12.50 dB）和Mexican Hat（11.82 dB）。经Db小波处理的数据在Dual-INABA模型上分类准确率最高（WSMC-HAR: 96.95%, UCI-HAR: 98.89%），较原始数据平均提升4.25%。

模型消融实验

通过模块化对比发现，完整Dual-INABA模型在收敛速度和损失控制上均优于变体模型。移除BiGRU导致平均准确率下降0.41%，移除注意力机制下降1.41%，而单分支INABA模型准确率较双分支低2.51%。结果表明双分支结构与多模块协同能有效增强特征表达能力。

对比实验

Dual-INABA在四个数据集上平均准确率达97.19%，较CNN（90.50%）、CNN-LSTM（91.10%）等基准模型提升显著。在UCI-HAR数据集上，该模型仅需42秒完成训练，耗时远低于Inception-GRU-Attention（1260秒），体现了高效的计算性能。

跨数据集验证

在包含心率、角速度等多模态数据的PAMAP2和UCI-HAR数据集上，模型准确率均超98%，而在纯加速度数据的WISDM和WSMC-HAR数据集上略降（96.78%-96.95%）。混淆矩阵显示，上下楼梯活动因频域特征相似易被误判（错误率4.55%），提示未来需增强细粒度特征区分能力。

本研究通过小波变换与双通道深度学习模型的创新结合，解决了传感器HAR中的噪声抑制和特征提取难题。Dual-INABA模型在保证计算效率的同时，实现了多场景下的高精度活动识别，为穿戴设备在医疗监护、人机交互等领域的实际应用提供了技术支撑。未来研究可引入Transformer等架构进一步优化长时序建模能力，并通过生成对抗网络（GAN）扩充样本多样性。