基于动态时间规整模板融合的可穿戴设备动作识别方法研究

针对动态时间规整(DTW)算法在动作识别中模板选择影响准确率的问题，研究者提出通过融合多用户模板构建通用模板的方法。研究结合加速度计、陀螺仪和角度特征，在公开数据集上验证了模板融合策略可提升识别率并减少耗时，为可穿戴设备在老年监护、康复训练等场景提供新思路。

　　

随着人口老龄化加剧和智能穿戴设备普及，基于传感器的动作识别技术成为研究热点。传统图像识别存在计算资源消耗大、易受环境干扰等问题，而可穿戴设备搭载的加速度计和陀螺仪为连续动作监测提供了新途径。动态时间规整(DTW)作为成熟的序列匹配算法，虽在语音识别领域表现优异，但在应用于多传感器动作识别时，其模板选择策略成为制约准确率的关键瓶颈。

中国台湾地区的研究团队在《Signal Processing: Image Communication》发表论文，创新性地提出模板融合方法解决上述问题。研究采用PAMAP2等公开数据集，通过组合加速度、角速度和角度特征，构建用户专属模板；进而通过固定距离分组和模板混合，生成通用模板。实验表明，融合模板的识别准确率显著高于单一模板，耗时却低于多模板并行计算。

关键技术包括：1) 基于DTW的序列匹配算法；2) 多传感器特征组合优化；3) 模板聚类与融合策略；4) 采用0.7秒活动周期分割标准；5) MATLAB R2019a平台验证。

【Related works】
研究综述指出，现有DTW改进多聚焦算法优化，而忽略模板质量对识别率的影响。穿戴式数据集存在传感器配置差异，需建立跨设备识别框架。

【Approach】
针对周期性时变动作（如行走、上下楼梯），提出三阶段方案：特征组合优选→个体模板构建→群体模板融合。特别设计模板混合流程，将最佳个体模板按固定距离分组后融合为通用模板。

【Experiments and results】
在三个公开数据集测试显示，加速度+角速度+角度组合使个体活动识别率达最优。融合模板较单一模板准确率提升12.7%，较多模板方案减少38%计算时间。

【Conclusion】
该研究突破传统DTW依赖单一模板的局限，为跨用户动作识别提供新范式。特征组合方案有效捕捉肢体运动特征，模板融合策略兼顾准确性与效率，对智能监护、运动康复等应用具有重要实践价值。未来可探索深度学习与模板融合的协同优化方向。