TB-ConvAtt：基于多维注意力机制的穿戴式传感器人体活动识别增强框架

针对穿戴式传感器数据中时空特征提取不平衡的难题，研究人员提出轻量级多维注意力框架TB-ConvAtt，通过并行时空注意力分支（TAD/SAD/STAD）在UNIMIB-SHAR等4个数据集实现SOTA性能，为临床监测与康复管理提供高效解决方案。

　　

在智能手表、智能服装等穿戴设备普及的今天，人体活动识别（Human Activity Recognition, HAR）技术正深刻改变着健康监测与疾病管理的方式。这些设备搭载的加速度计、陀螺仪等多模态传感器，能实时捕捉人体运动数据，为临床诊断、康复评估和个性化健康管理提供重要依据。然而，现有技术面临两大挑战：一是传感器数据的时空维度存在复杂交互（如手腕和脚踝传感器的空间差异性与时间序列动态），二是传统卷积神经网络（CNN）难以兼顾特征提取的独立性与交互性。

针对这一难题，研究人员开发了名为TB-ConvAtt的创新框架。该框架创造性地将CNN与多维注意力机制结合，通过三个并行分支——时序注意力维度（Temporal Attention Dimension, TAD）、空间注意力维度（Spatial Attention Dimension, SAD）和时空注意力维度（Spatio-temporal Attention Dimension, STAD），分别捕捉运动序列的时间规律、传感器通道的空间特征及其交互关系。在UNIMIB-SHAR、OPPORTUNITY等四个公开数据集上的测试表明，该模型在保持轻量级设计（可部署于树莓派4B等资源受限设备）的同时，准确率和F1-score均达到业界领先水平。相关成果发表于《Biomedical Signal Processing and Control》，为临床场景下的实时活动监测提供了新范式。

关键技术方法包括：1）多分支CNN架构并行处理时空特征；2）基于SENet/CBAM改进的注意力模块；3）跨数据集验证策略（含UNIMIB-SHAR等4个标准数据集）；4）轻量化部署实验（树莓派4B平台）。

研究结果
Abstract
TB-ConvAtt通过三支路结构显著提升多传感器数据特征提取效率，在四个基准数据集上超越DanHAR、Triplet Attention等对比模型，参数量减少12-35%。

Introduction
穿戴设备异构传感器数据存在时空维度耦合难题，传统CNN难以平衡LeNet-5/VGGNet等架构的独立特征提取需求。TB-ConvAtt首次实现时序模式（TAD）、传感器分布（SAD）与时空耦合（STAD）的协同优化。

Proposed framework
如图1所示，预处理后的传感器数据分别输入三支路：TAD采用门控循环单元强化长时序依赖，SAD通过通道注意力加权关键传感器，STAD利用3D卷积捕获跨维度交互。

Experiments and results
在PAMAP2数据集上达到96.8%准确率（较基线提升4.2%），MHEALTH数据集的F1-score提高至0.941。消融实验证实STAD支路对复杂活动（如"上楼/下楼"）识别贡献率达37%。

Conclusion
该框架突破现有HAR模型对时空特征处理的单一性局限，其分支结构可灵活适配不同临床场景（如帕金森病步态分析），为智慧医疗设备开发提供新思路。

这项研究的核心价值在于：首次在传感器数据特征提取中实现"独立-交互"双模式平衡，其轻量化特性尤其适合家庭健康监测场景。未来可通过增加惯性测量单元（IMU）数据融合进一步提升对精细动作（如手指震颤）的识别精度。