基于代理锚定对比学习与高斯回放的在线持续学习方法PACL+在传感器人体活动识别中的应用研究

本研究针对人体活动识别(HAR)系统中因新活动/用户引入导致的灾难性遗忘问题，提出融合代理锚定损失(Proxy Anchor)、对比学习与高斯回放的PACL+方法。该方法通过知识蒸馏与特征回放机制，在WISDM等三大基准数据集上显著提升持续学习性能，为可穿戴设备中的资源受限场景提供高效解决方案。

　　

随着智能手环、运动传感器等可穿戴设备的普及，人体活动识别(HAR)技术已成为健康监测、工人安全等领域的重要工具。然而现实场景中，用户活动模式会动态变化——新用户加入、新动作出现，传统离线训练的HAR模型面临"学新忘旧"的困境。这种被称为"灾难性遗忘"的现象，使得系统在更新时需要重新训练全部数据，既耗费资源又难以满足实时性需求。

为攻克这一难题，研究人员开发了名为PACL+的新型持续学习框架。该方法创造性地将代理锚定损失(Proxy Anchor Loss)与对比学习相结合，通过构建更优的潜在表征空间，使模型既能区分新旧动作，又能适应不同用户的运动特征差异。其核心创新在于采用高斯分布采样策略，从历史数据聚类结果中智能选取代表性样本进行回放训练，仅需1.5%的存储空间即可达到传统方法保留20%数据的性能。实验表明，在WISDM、REALWORLD和MHEALTH三大基准数据集上，PACL+的F₁分数比现有最佳方法平均提升12.7%，且计算效率更适合嵌入式设备部署。

关键技术包括：1) 基于K-Means聚类和高斯采样的记忆高效回放策略；2) 结合Proxy Anchor损失与对比学习的双目标优化；3) 采用ResNet-18和轻量级TinyHAR双网络架构验证；4) 模拟真实场景设置新旧用户完全分离的增量学习步骤。

【方法论】
研究团队设计了分阶段验证方案：初始阶段训练基础活动分类模型，增量阶段逐步引入新用户和新动作。通过代理网络将每类活动表示为嵌入空间中的"锚点"，利用对比学习拉近同类样本距离，同时采用高斯回放机制选择最具代表性的历史样本参与训练，有效缓解了类别不平衡问题。

【实验结果】
在50Hz/100Hz混合采样率的REALWORLD数据集上，PACL+对旧类别的识别准确率保持在92.3%，较基线LAPNet-HAR提升19.5%。特别在"坐→站"等易混淆动作区分上，模型通过对比学习使类间距离扩大37%。轻量级TinyHAR架构下，推理速度达153帧/秒，满足实时性需求。

【结论】
该研究首次将代理锚定机制与高斯回放结合应用于HAR领域，突破了持续学习中"存储-性能"的权衡瓶颈。其技术路线对医疗监测(如帕金森病运动评估)、工业安全(危险动作预警)等场景具有普适价值。未来可通过多模态传感器融合进一步提升复杂环境下的鲁棒性。论文发表于《Expert Systems with Applications》，为边缘计算时代的自适应感知系统提供了新范式。