编辑推荐：
为解决从智能设备传感器获取的数据含噪，影响人类活动识别（HAR）和定位的问题，研究人员开展基于物联网（IoT）数据的 HAR 和定位系统研究。结果显示该系统在多个数据集上表现优异，优于传统方法，对相关领域发展意义重大。
在当今智能设备无处不在的时代，人们的生活被各类智能设备产生的数据所包围。人类活动识别（HAR）和定位技术，本应成为改善生活、推动社会发展的强大助力，却遭遇了数据噪声的 “拦路虎”。从智能设备传感器采集到的数据中，夹杂着大量噪声，这使得精准识别人类活动及其位置变得困难重重。比如在医疗领域，远程患者监测需要准确判断患者的活动状态和位置信息，若数据受噪声干扰，可能导致病情误判；在智能安防中，不准确的活动识别和定位也会让监控效果大打折扣。为了突破这一困境，Najran University、Air University 等多所高校的研究人员联合开展了一项极具意义的研究，相关成果发表在《Scientific Reports》上。
研究人员构建了一套基于物联网数据的系统，旨在实现高精度的人类活动识别和定位。该系统运用了多种关键技术方法：首先，采用 Chebyshev type-I 滤波器对输入信号进行去噪处理，有效提升了信号质量；接着，利用 Blackman 窗对信号进行分窗处理，便于后续分析；在特征提取阶段，系统分为两个并行分支，分别针对 HAR 和人类定位提取不同特征；随后，借助 Boruta 算法进行特征选择，并通过粒子群优化（PSO）算法优化数据；最后，使用两个并行的循环神经网络（RNN），分别对活动和位置进行分类预测 。
研究结果如下：
- 数据集介绍：研究使用了两个公开的基准数据集，即 Extrasensory 数据集和 Sussex-Huawei Locomotion（SHL）数据集。Extrasensory 数据集包含 60 人的传感器数据，涉及多种活动和环境设置；SHL 数据集则包含不同传感器收集的人类活动和位置数据12。
- Extrasensory 数据集评估：在该数据集上，系统对 8 种人类活动和 8 个位置进行评估。活动识别方面，“Running” 的识别置信度最高，达 91%，“stairs-Up” 最低，为 87%，整体活动分类得分 89.25%；位置分类中，“Indoor” 的识别准确率最高，为 93%，“At School” 最低，为 89%，平均定位准确率 90.50%。此外，活动识别和定位的 ROC 曲线下面积（AUC）均高于 0.90，表明系统性能可靠34。
- SHL 数据集评估：此数据集包含 4 种人类活动和 6 个不同位置。活动识别中，“Sitting” 预测准确率最高，为 98%，“Standing” 最低，为 94%，平均 HAR 准确率 95.75%；位置分类里，“Indoor” 预测准确率最高，为 96%，“In Train” 最低，为 86%，平均定位准确率 91.50%。同样，活动和位置识别的 ROC 曲线 AUC 都接近 1，显示出系统的高可靠性56。
- 与传统系统比较：将该系统与先前的先进系统对比，在 Extrasensory 数据集上，其平均准确率为 89.88%；在 SHL 数据集上，平均准确率为 93.62%，均优于现有框架7。
研究结论表明，该系统能同时处理 HAR 和人类定位问题，在 SHL 数据集上的表现优于 Extrasensory 数据集，这可能与数据集的数量和复杂性有关。系统通过提取强大的特征和采用深度算法进行分类，实现了较高的准确率，且基于智能设备传感器的物联网数据，使其在多种场景中具有广泛的适用性和灵活性。不过，系统也存在局限性，在同时处理 HAR 和定位时，定位结果会比 HAR 结果滞后几秒，这可能是由于定位特征的复杂性较高。未来研究将致力于克服这一延迟问题，进一步提高两者结果的同步性。这项研究为人类活动识别和定位领域提供了新的思路和方法，推动了相关技术在医疗、安防、智能城市等多领域的发展，具有重要的理论和实践意义。
