MDWD-KAN：结合Kolmogorov–Arnold网络的多层离散小波分解技术，用于通过可穿戴传感器实现秋季检测和活动识别

《Pervasive and Mobile Computing》：MDWD-KAN: Multilevel discrete wavelet decomposition with Kolmogorov–Arnold network for fall detection and activity recognition using wearable sensors

针对可穿戴设备数据噪声及个体差异问题，本文提出MDWD-KAN模型，结合多级小波分解和Kolmogorov–Arnold网络进行特征融合，在MobiAct、SisFall、UniMiB-SHAR数据集上实现高精度跌倒检测和人类活动识别。

　　

姜志远|倪思珂|穆罕默德·A.A. 阿尔-卡内斯

浙江师范大学物理与电子信息工程学院，金华321004，中国

摘要

跌倒检测和人类活动识别（HAR）在普适计算和移动计算中是至关重要的应用，能够实时监控个人——尤其是老年人或患者——以增强安全性和健康管理。可穿戴设备已成为持续活动监控的关键工具，实现实时检测和干预。然而，可穿戴传感器收集的数据质量面临多个挑战，包括噪声干扰、佩戴导致的不稳定性以及个体差异。为了解决这些挑战，本文提出了一种基于多级离散小波分解与Kolmogorov–Arnold网络的特征逐步融合检测系统，即MDWD-KAN。该模型利用多级小波分解对传感器信号进行多分辨率分析，提取多级特征，并有效增强特征稳定性和抗噪能力。此外，通过异构模型和多级特征融合策略，MDWD-KAN实现了低频和高频特征的互补，提高了对复杂运动模式的识别能力。实验在三个公共数据集上进行：MobiAct、SisFall和UniMiB-SHAR。结果表明，MDWD-KAN在二分类（跌倒与非跌倒）中的平均识别准确率分别为99.67%、99.90%和99.65%，在多分类中的准确率分别为98.85%、85.45%和96.86%。

引言

随着老龄化人口的增加以及身体残疾或慢性病患者数量的上升，有效的监控系统在医疗保健中的需求变得尤为迫切。其中最关键的挑战是跌倒检测和人类活动识别，这两者对于确保弱势群体的安全和福祉至关重要。跌倒，尤其是在老年人中，可能导致严重伤害，及时检测跌倒对于降低死亡率和改善康复结果至关重要[1]、[2]。同样，监控人类活动在提升个性化医疗保健、康复和各种健康状况个体的整体生活质量方面也起着重要作用[3]、[4]。

近年来，可穿戴传感器作为一种高效且非侵入性的解决方案，被广泛应用于跌倒检测和人类活动识别（HAR）领域。这些传感器通常嵌入在智能手表、健身追踪器甚至服装等设备中，能够持续监控个体的运动和生理状态。它们提供实时数据收集，这对于在跌倒或异常活动模式发生时立即采取干预措施至关重要，使它们成为现代医疗保健系统中不可或缺的工具[5]、[6]。此外，传感器技术和机器学习算法的进步显著提高了跌倒检测和HAR系统的准确性和鲁棒性[7]、[8]，即使在复杂和动态的现实世界条件下也是如此。

跌倒检测系统的主要目标是识别并区分跌倒与其他活动（如坐、站或走），同时尽量减少误报。通常结合使用加速度计、陀螺仪，有时还包括气压计来捕捉与跌倒相关的动态运动[9]、[10]。另一方面，HAR系统则专注于根据传感器数据对各种人类活动（如走、跑和坐）进行分类[11]。通过应用决策树、支持向量机和深度学习等机器学习技术，这两项任务的检测准确性都有了显著提高，从而实现实时决策和干预[12]。最近的研究强调了整合多种传感器模态以提升性能的重要性。例如，多传感器融合技术可以结合来自加速度计、陀螺仪、磁力计甚至环境传感器的数据，从而更全面地理解人类运动[13]。此外，深度学习架构，特别是卷积神经网络（CNN）[14]和循环神经网络（RNN）[15]，通过从原始传感器数据中自动学习时间和空间特征，在提高跌倒检测和活动分类准确性方面显示出有希望的结果。

在本文中，我们提出了一种新模型，以解决可穿戴传感器的硬件限制、佩戴方式以及用户之间的生理差异对跌倒检测性能的影响。所提出的模型基于多级离散小波分解和Kolmogorov–Arnold网络（MDWD-KAN）以及特征阶梯融合。通过多级小波分解，它可以提取多分辨率特征，有效减少噪声的影响，并采用异构模型来减少计算资源的浪费。此外，特征逐步融合策略用于解决不同大小特征在特征融合过程中的信息丢失问题，确保在不同个体和环境下的高检测性能。在模型末端使用KAN代替全连接层，以减少模型参数数量的同时保持准确性。MDWD-KAN在二分类（跌倒检测）和多分类中进行了测试，以识别各种日常人类活动。评估使用了几个公共数据集：MobiAct、SisFall和UniMiB-SHAR。

总结来说，主要贡献可以概括为：

• •
  我们提出了一种高效的分割和过滤方法，以解决传统滑动窗口分割方法中区分目标运动和无效信号的挑战。所提出的窗口过滤方法基于加速度计信号的标准差。通过计算窗口内信号的标准差并设置动态阈值，有效过滤掉非目标动作信号，显著提高了数据质量。该方法能够适应不同动作的特征变化，从而为模型训练提供更可靠的数据基础。
• •
  我们提出了一种特征层次融合策略，有效整合了从多级小波分解中提取的低频和高频特征，而不会显著增加模型参数。这种方法有效捕获了跌倒事件的多级运动信息。通过增强模型识别复杂运动模式的能力，该方法在保持高跌倒检测准确性的同时，确保了模型的轻量化和高效设计。
• •
  为了减少模型参数数量同时保持性能，我们使用KAN替代了传统的全连接层。KAN凭借其独特的设计，能够在保持高效特征建模能力的同时显著减少参数数量。

本文的结构如下。第2节介绍了相关工作。第3节描述了方法和材料。第4节进行了实验评估。最后，第5节提出了结论。

相关研究

近年来，跌倒检测因其在确保老年人和行动不便患者安全和福祉方面的关键作用而受到广泛关注[16]、[17]、[18]。可穿戴传感器与深度学习技术的结合已成为实现准确实时跌倒检测的有前景的方法。本节回顾了该领域的最新进展。可穿戴传感器，如加速度计、陀螺仪和磁力计已被广泛采用

方法

在本节中，我们将详细介绍所提出的MDWD-KAN模型。MDWD-KAN的主要工作流程如图1所示。第一阶段是数据收集。为了确保可重复性，我们使用公开可用的官方数据集。接下来，使用滑动窗口方法对数据进行分割。由于正常活动信号通常较长，而跌倒事件发生的时间非常短，窗口化允许我们提取更短的信号段，从而捕捉到瞬间的

实验

为了全面评估本章提出的跌倒检测方法，实验分为两个阶段：跌倒检测和人类活动识别。在跌倒检测阶段，任务被定义为二分类问题，其中日常活动被归类为非跌倒事件，跌倒动作被归类为跌倒事件。在活动识别阶段，任务扩展为多分类问题，需要区分各种

结论

由于传感器的固有精度限制，收集的数据不可避免地包含噪声，以及个体之间的生理和步态差异，这些因素显著影响了跌倒检测的性能。为了解决这些挑战，提出了一种基于多级小波分解的特征逐步融合跌倒检测方法。通过MDWD对传感器数据进行多分辨率分析，提取出更稳定的特征。此外，我们

CRediT作者贡献声明

姜志远：撰写——原始草稿、可视化、软件、方法论、形式分析、数据整理。倪思珂：撰写——审阅与编辑、验证、调查、形式分析、数据整理。穆罕默德·A.A. 阿尔-卡内斯：撰写——审阅与编辑、验证、监督、资源协调、形式分析、概念化。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。