基于智能深度学习的传感器物联网边缘云连续体在残障人士活动识别中的应用研究

本研究针对残障人士活动监测的精准性和实时性需求，提出IDLTHAR-PDST技术，通过集成最小-最大归一化、增强型蜜獾算法(EHBA)特征选择和深度信念网络(DBN)分类器，在IoT-Edge-Cloud框架下实现98.75%识别准确率，为智能辅助医疗提供新范式。

　　

随着全球老龄化加剧，残障人士和老年群体的日常活动监测成为医疗健康领域的重大挑战。传统人工看护成本高昂，而现有电子监测设备存在识别精度低、响应延迟等问题。更棘手的是，活动数据具有高度异构性——不同个体行为模式差异显著，传感器采集的信号常伴随噪声干扰。这些瓶颈严重制约了智能辅助系统的实际应用，亟需开发兼具高精度与实时性的新一代识别技术。

为此，研究人员开发了名为IDLTHAR-PDST的创新技术框架。该研究首次将IoT-Edge-Cloud连续体架构与深度学习方法深度融合，构建起从数据采集到智能分析的完整技术链条。研究团队采用WISDM数据集（含12,000个实例、6类活动数据）验证系统性能，通过三级处理流程实现突破：首先运用最小-最大归一化消除传感器数据量纲差异，再通过生物启发的EHBA算法筛选最具判别力的特征子集，最终采用具有多层受限玻尔兹曼机(RBM)的DBN捕捉活动特征的时间-空间模式。论文发表于《Scientific Reports》期刊，为可穿戴医疗设备研发提供了重要方法论支撑。

关键技术方法包括：基于智能手机加速度计的多模态传感器数据采集；采用min-max标准化处理数据偏移；应用改进的蜜獾优化算法(EHBA)实现特征降维；构建含5层隐藏单元的DBN分类器进行活动模式识别。

研究结果部分显示：

1. 数据预处理：归一化处理使不同传感器信号具有可比性，为后续分析奠定基础。

2. 特征选择：EHBA算法将特征维度压缩40%的同时，关键运动特征保留率达96%，显著优于传统PCA方法。

3. 分类性能：在80%训练集比例下，系统对"坐立"动作识别准确率高达99.06%，"上下楼梯"动作的F1值达96.86%。

   

4. 时效分析：系统响应时间仅0.75秒，较传统CNN-LSTM模型提速61%，满足实时监测需求。

讨论部分指出，该研究的核心突破在于：

1. 首次将生物智能优化算法与深度学习结合应用于HAR领域，EHBA-DBN组合使模型参数量减少35%；

2. 构建的IoT-Edge-Cloud三级架构实现计算负载动态分配，边缘设备处理延迟降低至毫秒级；

3. 在保持98.75%准确率的同时，系统对传感器噪声的鲁棒性提升2.3倍，这对实际场景中设备位移、信号衰减等问题具有重要缓解作用。

这项研究为智能养老、残障辅助等场景提供了可落地的技术方案，其提出的动态特征选择机制和分布式计算框架，为后续5G时代下远程医疗监测系统的开发树立了新标杆。未来工作可进一步探索跨设备迁移学习策略，以增强系统在多样化硬件环境中的适应性。