利用多元室内空气质量传感器和分层事件检测方法实现不显眼的人类活动识别 Grigoriοs Protopsaltis, Christos Mountzouris, Gerasimos Theodorou, John Gialelis

《Sensors》：Unobtrusive Human Activity Recognition Using Multivariate Indoor Air Quality Sensing and Hierarchical Event Detection Grigoriοs Protopsaltis, Christos Mountzouris, Gerasimos Theodorou and John Gialelis

　　亮点
- 主要发现是什么？
- 从室内空气质量测量中可以推断出室内的人类活动。
- 一种分级门控模型将活动检测与分类分开，实现了高活动检测召回率和条件分类准确性。

- 主要发现的意义是什么？
- 室内污染物动态包含了足够的信息，可以仅基于环境传感实现不显眼的活动识别。
- 所提出的框架支持智能控制应用，例如自适应通风和健康感知的室内环境控制。

摘要
最近的研究表明，常见的家庭活动会在室内空气中产生特征性模式，从而可以使用环境测量结果单独进行活动推断。然而，基于污染物的方法通常被构建为平坦的多类分类问题，尽管室内环境主要由没有排放生成活动的长时间基线期组成，这导致了误报和预测不稳定。本研究提出了一种分级门控推断框架，用于从室内空气质量数据中识别活动。第一阶段门控检测时间窗口内是否包含由活动引起的污染物动态，而第二阶段分类器仅在检测到活动相关性时条件性地识别具体活动。在受控的家庭烹饪和清洁实验中，使用便携式监测系统收集了颗粒物、挥发性有机化合物、氮氧化物、二氧化碳、温度和相对湿度的多变量时间序列测量数据。两个阶段都使用循环神经网络模型处理时间窗口。通过将活动检测与活动识别分开，所提出的方法使推断与室内污染物信号的物理生成保持一致，并在以基线为主的环境中提高了鲁棒性，同时保持了活动之间的可靠区分。该框架支持不显眼的活动识别，并能够应用于暴露感知监测和智能室内环境管理。

1. 引言
在室内环境中，人类活动识别（HAR）传统上依赖于摄像头、麦克风、可穿戴设备和其他基于接触或接近性的系统等传感模式。连续的音频/视频传感可能被视为侵入性的，可以捕获可识别信息，因此在家庭环境中经常受到抵制。除了隐私问题外，实际应用还可能面临操作障碍，包括设备放置限制、校准需求、网络依赖性和持续维护，这些因素会降低长期鲁棒性和用户采纳率[1]。
一种互补且不那么侵入性的方法是从影响室内空气质量（IAQ）的参数变化中推断室内活动。许多常见的家庭行为会直接影响污染物浓度，并在室内环境中产生可测量的时间特征。烹饪会产生强烈的颗粒物（PM）、挥发性有机化合物（VOC）和燃烧相关污染物峰值，而清洁活动则可能通过产品使用或重新悬浮在各种表面上的颗粒物增加VOC和某些细颗粒物。由于这些活动以不同的方式改变空气的化学和物理组成，因此理论上多变量IAQ测量可以作为活动推断的代理，同时保护居住者的隐私[2,3]。
这种传感范式最近受到了关注，结合室内环境监测和HAR的方法已经出现。Gerina等人证明，可以使用空气质量传感器数据流识别与烹饪相关的行为，表明污染物测量可以支持在真实家庭环境中不显眼且保护隐私的食物准备事件检测[4]。更近期，Miranda等人提出了一个使用金属氧化物气体传感器和时间窗口分析的室内空气污染相关活动的自动检测框架，进一步证实了仅依靠环境传感就可以识别与活动相关的污染事件，而无需依赖侵入式模式[5]。在此基础上，Mentou等人研究了室内污染物动态与家庭活动之间的关系，直接根据人类呼吸区附近测量的污染物时间模式来制定活动识别方法，以加强这种方法在日常室内场景中的可行性，并量化暴露于某些水平污染物的风险[6]。更广泛地说，最近的机器学习研究在暴露科学领域表明，如何将空气质量观测转化为时空暴露和健康风险信息，进一步支持了基于数据的环境推断作为基于污染物的活动识别的更广泛背景[7]。
除了识别活动之外，污染事件越来越多地被视为通风和空气净化控制的可行触发因素。在烹饪期间，基于传感器的控制策略已被证明可以在基于实时测量的情况下减少室内PM2.5暴露[8]。与此同时，室内空气化学研究表明，烹饪和清洁会排放复杂的VOC混合物，并且其演变取决于通风、氧化剂水平和气体-表面相互作用[9,10,11]。这些发现推动了靠近呼吸区的暴露导向传感，并补充了证据，表明可穿戴空气污染传感器可以捕获与个人暴露评估相关的时空变异性[12]。此外，智能建筑研究指出，可以通过非侵入式环境变量（例如CO2、差压、通风状态）来推断与占用相关的状态，而无需侵入式传感[13]，而最近的评论强调当使用IAQ数据推断居住者行为时，设计隐私保护架构（例如边缘处理）是前提条件[14]。
尽管取得了这些进展，但在实际应用中基于污染物的活动识别仍然具有挑战性，因为室内空气质量时间序列通常由基线期主导。在真实的室内环境中，排放生成事件是稀疏和偶发的，而大部分记录的信号反映了由通风、渗透、占用和残留污染物衰减引起的背景变化。最近的空气质量传感研究还强调了必须明确考虑活动模式和室内源贡献，以避免暴露误分类并正确解释固定位置的传感器测量[15]。因此，试图直接将每个时间窗口分配给特定活动的平坦多类分类器可能被迫同时学习两个不同的任务：首先是判断一个窗口是否包含信息，或者仅仅是反映了基线条件；其次是当存在相关事件时，确定是哪种具体活动负责。
这种构建在以基线为主的环境中可能会降低鲁棒性。当大多数窗口对应于非事件条件时，普通的背景变化可能会错误地映射到活动标签上，增加误报并使预测不稳定。此外，室内活动数据集通常具有强烈的类别不平衡和活动之间的时间特征重叠，这意味着许多窗口对目标标签的信息量很弱。在这种设置中，可靠的操作不仅取决于在活动类别之间进行区分，还取决于在尝试细粒度分类之前明确分离与活动相关的动态和普通背景行为。
在这项工作中，我们通过将基于污染物的活动识别重构为分级门控推断任务来解决这个问题。所提出的框架不是直接应用平坦的多类模型，而是首先确定时间窗口是否包含与活动相关的污染物动态，然后才进行细粒度活动分类。第一阶段作为活动相关性门控，过滤基线窗口，而第二阶段仅在通过门控的窗口条件性地识别具体活动类别。这种分解更好地反映了室内污染物生成的物理结构，其中源事件是间歇性的，并嵌入在较长的非事件期中。
这种方法的动机不仅是方法论上的，也是应用驱动的。世界卫生组织继续将家庭空气污染视为一个主要的健康问题，最近的证据表明，如烹饪和清洁等日常室内来源会显著影响个人对有害污染物的暴露[16]。因此，一种稳健的、保护隐私的方法来识别这些产生污染的活动可以支持暴露感知监测、智能通风控制、自适应建筑运营和以健康为导向的室内环境管理。
据此，本文提出了一种使用多变量IAQ传感的不显眼人类活动识别的分级门控框架。通过使用颗粒物、VOCs、CO2、温度和相对湿度的时间窗口测量数据，该框架将基线检测与活动识别分开，以在以基线为主的实际条件下提高鲁棒性。通过使推断过程与室内污染物排放的时间结构保持一致，所提出的方法旨在减少误激活，同时保持对产生污染物的家庭活动之间的可靠区分。

2. 材料与方法
2.1. 便携式空气质量监测系统
本研究中使用的实验数据是使用TwinAIR系统的便携式空气质量监测单元收集的，该系统是一个集成传感框架，用于研究室内空气质量（IAQ）、人类活动和暴露之间的关系。该便携设备设计用于在住宅和职业室内环境中连续运行，同时对用户不显眼。设备通常放置在用户呼吸区附近（例如，安装在手臂上、作为挂件佩戴或放置在附近），从而提供代表个人暴露的测量结果，而不是房间平均空气质量。

2.1.1. 传感硬件和测量原理
便携式单元连续测量一组环境变量和污染物变量，以捕捉与室内人类活动相关的排放过程和扩散动态。监测的参数包括空气温度、相对湿度、二氧化碳（CO2）、挥发性有机化合物（VOCs）和颗粒物（PM1、PM2.5、PM4、PM10）。
环境条件使用SHT41传感器（Sensirion AG，St?fa，瑞士）进行测量，该传感器通过CMOSens?集成传感元件提供高精度的温度和湿度测量，该元件由PTFE膜保护，允许在颗粒物丰富的环境中稳定运行[17]。气相污染物使用SGP41多气体金属氧化物（MOx）传感器（Sensirion AG，St?fa，瑞士）进行测量。该传感器通过加热传感层的电阻变化来检测VOCs和NOx，这些变化是由反应性气体的吸附引起的。传感器输出使用Gas Index算法（Sensirion AG，St?fa，瑞士）进行处理，以估计适合连续监测和检测室内排放事件的VOC和NO2指数[18,19]。
二氧化碳浓度使用SCD40传感器（Sensirion AG，St?fa，瑞士）进行测量，该传感器基于光声非分散红外（NDIR）原理工作。传感器使用调制红外光吸收来量化二氧化碳浓度，并结合芯片上的温度和湿度补偿，从而在动态变化的室内环境中提供稳定的测量结果[20]。
颗粒物浓度使用SPS30光学颗粒传感器（Sensirion AG，St?fa，瑞士）进行测量，该传感器基于激光光散射工作。穿过传感室的悬浮颗粒会散射激光辐射，检测到的散射强度用于估计多种颗粒尺寸分数（PM1、PM2.5、PM4、PM10）的质量浓度。该传感器在其整个工作寿命内提供校准测量结果，适用于长期监测应用[21]。
传感子系统旨在确保用于活动推断的变量的稳定和时间一致性的采集。传感器选择基于具有制造商校准输出的数字传感器或制造商支持的信号处理管道，允许直接和重复地采集同步的IAQ通道。温度和湿度来自SHT41，二氧化碳来自带有内置环境补偿的SCD40，颗粒物来自SPS30使用校准的数字PM输出，气体相关变化来自SGP41使用制造商的Gas Index算法来推导VOC和NOx信号。在本研究的背景下，重点放在采集一致性、时间对齐和试验间的重复性上，因为下游目标是识别与活动相关的污染物模式，而不是监管级别的绝对污染物浓度估计。在这个范围内，相关要求是传感通道对室内事件提供稳定和可比的时间响应，这与合规报告所需的计量学验证程序不同。

2.1.2.嵌入式电子与通信
传感模块与以STM32WL55系统芯片（STMicroelectronics，瑞士日内瓦）为中心的主板相连，该芯片集成了微控制器和亚GHz LoRa无线电收发器[22]。微控制器管理数据采集流程，包括传感器轮询、时间戳对齐、预处理、数据包生成和通信。传感单元通过数字接口（I2C和SPI）进行连接，并在相同的采集周期内读取数据，以确保所有污染物和环境变量具有相同的时间背景。这种协调的采集策略保证了各传感通道之间的同步性以及最终多变量时间序列中测量结果的连续性。

在本研究中，传感间隔设定为5秒，该间隔定义了用于构建模型训练和推理的滑动窗口的数据时间分辨率。然而，这个采集间隔不应与无线通信计划混淆。用于窗口构建的预处理可以直接在嵌入式平台上完成，因此实际应用该技术时并不需要传输每个单独的5秒样本。相反，测量数据可以在设备上被缓冲、组装成窗口，并分批传输，只有相关的上下文窗口会被发送到后端。从这个部署角度来看，5秒间隔是实现室内空气质量动态一致性所需的传感要求，而不是LoRaWAN上行周期性的严格限制。

该设备由1600毫安时可充电锂聚合物电池供电，也可以通过USB Type-C接口或集成光伏板充电，支持长时间的野外部署和监测活动。所选的传感方式共同捕捉了排放和累积现象：燃烧和烹饪活动主要影响PM和NOx浓度，清洁和使用溶剂影响VOC浓度，而人员占用和通风状况则影响CO2和湿度水平。通过在呼吸区域内结合颗粒物、气体和环境的测量数据，该设备提供了一个多变量信号，描述了与室内活动相关的污染物动态，而不仅仅是依赖单一污染物的阈值。

2.1.3 研究设计与实验方案
实验方案旨在系统地观察在受控但真实的通风条件下，家庭日常活动前后室内污染物浓度的变化。主要目标是捕捉与特定活动相关的可重复污染物“足迹”，同时表征典型室内运行条件下的基线行为和活动后的衰减情况。选择了五种家庭活动，并根据其性质和预期排放机制将其分为两类：与烹饪相关的活动和与清洁相关的活动。烹饪活动包括烧开1升水、煎炸蛋白质和烤箱烹饪蛋白质。清洁活动包括使用吸尘器清洁和喷雾清洗表面。选择这些活动是因为它们代表了经常性的室内行为，并且对室内空气污染物浓度有明确的影响。

通风策略的选择反映了实际使用模式。在烹饪活动中，通风由仅在活动期间运行的抽油烟机提供；而在清洁活动中，通风则是通过保持整个实验过程都开放的窗户实现的。没有使用额外的机械通风或空气净化系统。每种活动-通风组合在相同条件下重复五次，同时注意尽量减少外部干扰和背景噪声。清洁活动在餐厅进行，而烹饪活动在厨房进行。这些地点的选择是为了反映住宅环境中的典型空间布局，并确保重复试验时的几何条件一致。实验期间监测的室内空气污染物包括颗粒物（PM1、PM2.5、PM4、PM10）、VOCs、NOx和CO2。同时记录温度和相对湿度，以提供可能影响污染物行为的室内环境条件的背景信息。

2.1.4 传感器放置与数据收集
为了近似表示家庭活动中个人接触的污染物浓度，参与者在每次实验中佩戴TwinAIR便携式设备，并将其放置在呼吸区域附近。在研究期间考虑了两种现实的佩戴方式：悬挂式佩戴和使用手环的臂戴式佩戴。这两种配置都被保留在数据集中，以反映实际可穿戴使用条件，而不是实验室中人为固定的布局。在所有情况下，设备在整个监测过程中都靠近上半身，能够连续采集参与者近场的污染物浓度和环境条件。所选放置位置是基于先前的污染物传输和近体气流行为分析（计算流体动力学-CFD模拟）确定的，目的是捕捉更接近呼吸区域个人接触情况的测量数据，而不是整个房间的总体条件。每个实验记录分为三个连续阶段：活动前的基线阶段、活动阶段和活动后的观察阶段。传感单元在整个试验期间持续佩戴。数据收集在活动开始前20分钟开始，这一初始阶段作为表征无故意污染物生成行为时背景污染物水平和短期时间变化性的明确参考期。20分钟的持续时间是根据经验选择的，因为对记录的试验进行重复检查后发现，这个间隔足以捕捉到活动开始前的稳定基线行为。在本注释方案中，这个活动前阶段构成了基线类别，而活动后的窗口则保留在原始活动类别中，以代表完整的污染物事件，包括其衰减过程。

活动持续时间根据任务的性质而变化，选择以反映日常住宅环境中的实际执行时间。烧水、煎炸和喷雾清洁通常在大约10分钟内完成，吸尘清洁大约在15分钟内完成，烤箱烹饪大约在35分钟内完成。这些持续时间不是硬性规定的固定间隔，而是反映了在预定义实验设置下每种任务的正常执行时间。活动开始和结束时间根据实验时间线进行标注，用于为采集的数据分配时间标签。

活动结束后，继续监测20分钟，以捕捉相应室内通风条件下的污染物持续存在、衰减和恢复情况。故意包含这个活动后阶段，是因为从室内空气质量和暴露的角度来看，相关事件并不会在源头生成动作停止时立即结束；相反，污染物浓度仍然上升，并通过传输、通风和去除过程继续演变。活动后观察阶段的持续时间是根据对记录试验的重复检查经验确定的，结果显示在活动停止后，监测信号在大约相同的时间范围内恢复到背景水平。基于此，采用了一个统一的活动后间隔作为跨活动的注释规则，使得最终数据集中的衰减阶段能够以一致且可重复的方式表示。因此，记录的数据捕捉了每个污染物事件的完整时间演变过程，包括基线条件、活动引起的扰动和恢复动态。这种设计对于预期的识别任务尤为重要，因为污染物特征的出现和衰减可能携带与活动推断相关的判别信息。在这种可穿戴传感配置下，记录的颗粒物信号可能不仅反映了与家庭活动本身相关的直接排放，还反映了运动引起的效应，如颗粒物重新悬浮和近体气流扰动。在本研究中，这些效应并未被视为单纯的测量误差，因为目标是捕捉居住者在真实使用条件下的污染物动态。因此，PM信号应解释为源生成、室内传输和个人暴露区域内的干扰共同作用的结果。

2.1.5 活动推断的数据准备
收集的时间序列数据经过预处理，并分割成连续的时间窗口，以便后续分析和建模。分割之前，数据按时间戳进行排序，非数值类型的数据被转换为数值格式，缺失值使用每个特征的中位数进行插补，必要时进行零填充。此外，还引入了hour_of_day作为额外的时间上下文特征。

多变量IAQ时间序列被分割成固定长度的10个连续样本的时间窗口。选择这个窗口长度是为了在捕捉短期污染物动态（如排放开始、浓度变化和早期衰减模式）和保持足够的实时推理时间分辨率之间找到平衡。较短的窗口对噪声更敏感，而较长的窗口则降低了响应性并增加了活动边界附近的标签模糊性。窗口使用步长为1秒的滑动窗口方法生成，从而形成了高度重叠的窗口。这种配置旨在保持时间连续性，改善污染物变化的表示，并支持实时操作中的连续预测。每个窗口保留了样本的完整时间顺序以及污染物和环境变量之间的多变量关系。

最终模型输入表示为一个三维张量，其中表示窗口的数量，表示窗口长度，表示保留的输入特征数量。选定的通道包括温度、相对湿度、TVOC、多种气体的质量浓度、颗粒大小以及小时_of_day。为了给每个窗口分配一个标签，从实验时间线中派生了与活动阶段和特定活动类别相对应的标签。这个标记过程使得提出的层次化推理框架的监督学习和评估成为可能，同时确保了污染物信号的时间演变与标注的家庭活动之间的 consistency。

2.2. 分层活动识别架构
2.2.1 问题表述
设为一个多变量室内空气质量时间序列，其中每个样本包含气体污染物、颗粒物大小分数和环境变量的同步测量数据。目标是随着时间的推移推断是否发生了室内活动，如果发生了活动，则识别导致观察到的污染物动态的具体活动类型。

我们没有将这个任务表述为在所有时间窗口上的简单多类分类问题，而是将其分解为两个顺序的推理阶段：
- 活动相关性检测（门控）：确定给定的时间窗口是否对应于基线条件，或者包含由活动引起的污染物扰动。
- 活动识别（专家）：在确定窗口与活动相关的情况下，条件性地分类家庭活动的类型。

这种分解反映了室内污染物信号的生成过程，其中与人类活动相关的排放事件是稀疏发生的，并且嵌入在由通风、衰减和背景变化控制的长期基线期内。

2.2.2 时间窗口化和输入表示
连续的IAQ时间序列被分割成长度为10个连续样本的固定长度时间窗口。每个窗口因此形成了一个三维张量，保留了污染物信号的时间顺序和变量之间的交叉关系。窗口化有两个目的：首先，它能够捕捉短期时间动态，如污染物变化、峰值和衰减模式，这些是特定活动的特征；其次，它提供了与循环神经网络架构兼容的统一输入表示。重叠的窗口确保了时间连续性，并减少了窗口边界效应的影响。

2.2.3 第1阶段：活动相关性门控
架构的第一阶段是一个二元分类模型，作为门控，将每个时间窗口分配到基线状态或活动相关状态。基线窗口对应于没有故意排放活动的时期，而活动相关窗口包含污染物动态受烹饪或清洁动作影响的时间间隔。

门控实现为一个基于长短期记忆（LSTM）层的循环神经网络，选择它们是因为它们能够建模多变量时间序列中的时间依赖性和非线性动态。给定一个输入窗口，门输出一个概率分数，代表该窗口包含与活动相关的信息的可能性。应用一个决策阈值来产生二进制的门输出。这个阶段是使用从实验时间线中提取的标记窗口进行训练的，预活动期间被分配了基线标签，而与活动相关的窗口被分配了与家庭活动执行重叠的标签。每个窗口内的多数投票用于确定最终标签，以确保对短暂过渡段的鲁棒性。门的主要作用不是进行细粒度区分，而是可靠地分离信息性和非信息性片段。通过提前过滤掉基线窗口，门减少了类别不平衡，并防止下游分类器受到压倒性的背景变化的影响。2.2.4 第二阶段：条件活动分类器第二阶段是一个多类活动分类器，仅在通过门的窗口时被调用。它的任务是根据污染物的特征来区分所考虑的家庭活动。活动类别对应于第3节中描述的烹饪和清洁动作，不包括基线条件。这个分类器也采用了基于LSTM的架构，使其能够学习特定于活动的时间模式，如排放起始率、峰值结构和污染物通道的衰减行为。通过根据门输出来调整其操作，分类器仅在与活动相关的窗口上进行训练和评估，专注于活动间的区分而不是基线拒绝。为了确保活动阶段之间的语义一致性，活动后的窗口被映射到相应的活动类别，而活动前的基线窗口则被排除在这个阶段之外。这种规范化反映了活动后的污染物衰减仍然与原始活动有因果联系，并且可以携带区分性信息。2.2.5 端到端推理过程在推理过程中，系统使用与训练期间相同的窗口化策略顺序处理室内空气质量（IAQ）时间序列。对于每个窗口，第一阶段的门首先估计活动相关性的概率。被分类为基线的窗口被赋予空活动标签，不再进行进一步处理。对于被分类为与活动相关的窗口，第二阶段的分类器预测最可能的活动类别。最终输出是一个时间对齐的标签序列，指示是基线条件还是特定的家庭活动。这种分层推理策略能够明确控制误激活和漏检，并允许根据应用程序的具体优先级进行调整，例如对短期活动的敏感性或对背景波动的鲁棒性。2.2.6 分层设计的合理性所提出的架构引入了一个结构上的先验，使得学习任务与室内污染物生成和分散的物理特性保持一致。通过将活动检测与活动识别分开，系统避免了在极端类别不平衡的情况下强制单个模型学习相互不兼容的决策边界。相反，每个阶段都解决了具有更清晰语义和降低复杂性的子问题。从系统的角度来看，门控设计还支持可扩展性和部署。可以在门控级别应用阈值和时间平滑策略，而无需重新训练活动分类器，并且可以在不影响基线区分的情况下将额外的活动类别纳入第二阶段。这使得该架构特别适合长期室内监测场景，在这种场景中，基线条件占主导地位，活动发生是稀疏和偶发的。2.3 模型训练和超参数配置 2.3.1 时间分割和窗口构建多变量IAQ时间序列被分割成固定长度的10个连续样本的时间窗口。选择这个窗口长度是为了在捕捉短期污染物动态（如排放起始、浓度变化和早期衰减模式）和保持接近实时的足够时间分辨率之间取得平衡。较短的窗口对噪声更敏感，而较长的窗口则降低了响应性，并在活动边界附近增加了标签的模糊性。窗口是使用20秒的步长使用滑动窗口方法生成的，从而导致部分重叠的窗口。这种配置是故意选择的，以反映预期的连续监测部署场景，在这种场景中，随着新测量数据的可用性，活动推理将重复进行，因此预测将依赖于时间相邻的上下文，而不是完全不相关的片段。使用重叠可以保持时间连续性，改善对逐渐变化的污染物的表示，并增加对任意窗口边界的鲁棒性。这对于短暂或表达较弱的活动相关污染物模式尤为重要，特别是在活动开始和结束附近，信号的信息部分可能只占据窗口的一部分，否则可能会被低估或完全遗漏。考虑到5秒的感知频率和10个样本的窗口长度，每个窗口大约覆盖50秒的信号历史；在20秒的步长下，连续窗口只部分重叠，提供了连续性，而不会因为接近样本级别的移动而产生过多的冗余。每个窗口保持了样本的完整时间顺序和污染物通道之间的多变量关系，产生一个形状为10 × d的输入张量，其中d表示保留的污染物和环境特征的数量。为了给每个窗口分配一个标签，对该窗口内包含的样本级标签应用了多数投票。这种策略减少了活动转换附近的标签不稳定性，在这种转换中，污染物响应可能会滞后于活动的实际开始或结束。2.3.2 数据集划分和验证策略得到的带窗口的数据集被划分为80%的训练数据和20%的测试数据，使用基于试验的分割策略，并使用固定的随机种子以确保可重复性。在这种情况下，一个试验对应于在受控实验条件下的特定家庭活动的完整执行。每个活动在实验活动中重复多次，滑动窗口分割从每个试验中生成了大量的重叠窗口。为了避免将相同活动执行中的高度相似或重叠的窗口随机分配到训练和测试集中，划分是在试验级别进行的。具体来说，来自给定试验的所有窗口都被专门分配到训练或测试子集中。这确保了来自同一活动实例的时间相邻或强相关的窗口不会同时出现在两个分区中，防止了由重叠窗口分割可能引起的潜在信息泄露。重要的是，这种策略并没有将任何活动类别排除在训练过程之外；每个活动类别都在训练和测试集中都有代表，但测试窗口来自与训练使用的不同活动执行。这种设计提供了对模型泛化未见过的家庭活动实现的更可靠评估，同时保留了密集时间采样的优势。在训练子集中，进一步预留了20%的窗口用于训练期间的验证。这个验证集专门用于监控泛化性能和触发提前停止。在模型选择或超参数调整期间没有使用测试数据。所有报告的性能指标都对应于在保留的测试集上的预测。2.3.3 第一阶段：活动相关性门模型的特性活动相关性门的目的是区分基线条件和由活动引起的污染物动态，无论具体活动类型如何。这个阶段解决了连续室内监测中固有的主要类别不平衡问题，其中基线时期占据了大部分时间。窗口根据实验协议被标记为基线或与活动相关。与任何家庭活动执行重叠的窗口被标记为与活动相关，而从活动前基线时期抽取的窗口被标记为基线。过渡窗口通过多数投票进行标记，以减少时间模糊性。模型架构门模型实现为一个堆叠的LSTM网络，配置如下：输入层：10 × d；第一个LSTM层：150个单元，启用返回序列；Dropout：0.4；第二个LSTM层：150个单元；Dropout：0.4；输出层：2个神经元，softmax激活。使用堆叠的LSTM层允许模型学习每个窗口内的短期波动和更高层次的时间抽象。在层之间应用Dropout以减少过拟合，因为重叠窗口引入了强烈的时间相关性。训练配置门模型被训练为一个二进制分类器，使用：损失函数：稀疏分类交叉熵；优化器：Adam；批量大小：32；最大周期数：100；提前停止耐心：2个周期，根据验证损失进行监控。采用提前停止来防止过拟合，同时允许足够的周期进行收敛。对应于最低验证损失的模型权重被保留用于推理。在推理期间，门输出两个类别的概率分布。通过softmax输出的argmax获得预测的类别。2.3.4 第二阶段：条件活动分类器模型的特性训练集构建活动分类模型仅在根据真实标签确定的与活动相关的窗口上进行训练。明确排除了基线窗口，以防止分类器学习由背景变化主导的虚假决策边界。活动前（“之前”）的窗口被移除，因为它们按定义代表基线条件。活动后（“之后”）的窗口被映射到相应的活动类别，反映了污染物衰减动态仍然与原始活动有因果联系，并且通常携带区分性的时间结构。经过预处理后，最终的活动标签集包括五个类别：煮沸、煎炸、烤箱烹饪、喷雾清洁和吸尘清洁。模型架构条件活动分类器采用了以下架构：输入层：10 × d；第一个LSTM层：150个单元，启用返回序列；Dropout：0.4；第二个LSTM层：150个单元；Dropout：0.4；输出层：5个神经元，softmax激活。这种架构与门模型保持了一致性，同时将输出层适应多类设置。训练配置活动分类器使用以下进行训练：损失函数：稀疏分类交叉熵；优化器：Adam；批量大小：32；最大周期数：50；验证分割：20%；提前停止耐心：2个周期。减少的最大周期数反映了仅活动数据集更均匀和平衡的特性，它通常比门模型收敛得更快。2.3.5 分层推理过程在推理过程中，两个模型使用与训练期间相同的窗口化配置顺序应用于每个时间窗口。对于每个窗口：第一阶段的门估计了窗口与活动相关的概率。如果被分类为基线，窗口被赋予空活动标签并排除进一步处理。如果被分类为与活动相关，窗口被转发到第二阶段的活动分类器。活动分类器生成了五个活动类别的概率分布，最终标签通过argmax选择。这种严格的分层程序确保只有在存在足够的活动引起的扰动证据时才进行细粒度的活动分类，减少了误报并提高了在基线主导条件下的鲁棒性。3. 结果 3.1 真实定义和时间对齐保留的测试集包括1680个时间对齐的窗口，其中611个是基线窗口，1069个是与活动相关的窗口。活动窗口分布在煮沸（n = 166）、煎炸（n = 179）、烤箱烹饪（n = 333）、喷雾清洁（n = 186）和吸尘清洁（n = 205）中。窗口级标签是根据每个10个样本窗口内的多数投票从实验时间线中得出的，以减少边界模糊性并考虑滞后的污染物响应。基线窗口对应于活动前阶段，而跨越活动执行和活动后衰减期的窗口被分配到原始活动类别，以保持排放事件和随后衰减动态之间的因果联系。3.2 活动相关性门的评估Gate1在基线窗口和与活动相关窗口之间产生了强烈的概率分布分离（如图1所示），基线分数集中在0附近，活动分数集中在1附近，并且在选择的操作阈值（pactive）≥ 0.540附近有一个有限的重叠区域。图1. 基线门的概率分离。在整个测试集中，门达到了0.914的ROC-AUC和0.952的平均精确度（AP），远高于活动普遍性（0.636），表明在活动相关性方面的排名性能非常稳健，如图2所示。图3中显示的额外指标包括第一门的准确率为83.4%，活动精确度为84.8%，活动召回率为90.1%，活动F1分数为87.3%，基线特异性为71.7%。图2. ROC和精确度-召回曲线。图3. 每个门的评估指标。3.3 活动分类性能（条件）的评估当仅在与活动相关的窗口上进行评估时，第二阶段的LSTM分类器达到了98.7%的准确率。这表明，在第一阶段门排除基线段之后，可以在当前数据集中非常可靠地区分考虑的活动类别。在这个条件评估设置下，层次化框架的剩余端到端误差主要由活动相关性门控制，表现为错误地拒绝了真正活跃的窗口，以及在较小程度上，错误地接受了随后被传递给分类器的基线窗口。3.4. 端到端层次系统评估：只有在基线窗口被拒绝（没有活动发生）且活动窗口被检测到并赋予正确的活动标签时，端到端评估才认为预测是正确的，结果展示在图4中。根据这一严格标准，层次化级联系统达到了82.6%的总体准确率和85.0%的平衡准确率（基线和五个活动类别的平均召回率）。对于活动窗口而言，端到端活动准确率为88.9%，而基线召回率保持在71.7%，表明改进的活动识别并没有以牺牲基线拒绝为代价。图4. 比较所提出方法与基线方法的评估指标。与平面的多类别基线相比，层次化设计将总体错误率从38.27%降低到了17.38%（相对错误率降低了54.59%），如图5所示。错误分解（图6）显示，主要收益来自于活动遗漏（所有测试窗口中的21.6%降到了6.3%）和错误活动分配（5.7%降到了约0.8%）的显著减少，而误报比例则保持相对稳定（11.0%降至10.3%）。正确识别的活动窗口比例从36.3%增加到了56.5%，这与层次化级联系统在基线与活动之间的权衡得到改善是一致的。图5. 总体端到端错误率降低。图6. 错误分解条形图。

3.5. 基线对比：平面多类别分类使用相同的输入和循环容量，平面分类器达到了61.7%的总体准确率和56.4%的平衡准确率。其基线召回率为69.9%（611个基线窗口中有427个被正确拒绝），但活动准确率仅限于57.1%（1069个活动窗口中有610个被正确标记），这反映了在以基线为主的监控下同时学习基线拒绝和细粒度活动区分的难度。图7. 类别召回率变化。类别分析显示，级联系统主要提高了与清洁相关的活动识别能力。吸尘清洁的召回率从21.5%提高到了96.1%（增加了74.6个百分点），喷漆清洁的召回率从23.1%提高到了84.9%（增加了61.8个百分点）。煮沸的召回率也大幅提高（从56.6%增加到85.5%，增加了28.9个百分点），而烤箱烹饪的召回率从84.4%提高到了94.3%（增加了9.9个百分点），基线召回率略有提高（从69.9%增加到71.7%，增加了1.8个百分点）。油炸的召回率略有下降（从82.7%下降到了77.7%，减少了5.0个百分点），表明这一类别仍然容易与基线动态混淆。这并不一定意味着层次化模型本身在油炸类别区分上的能力较弱；相反，与平面分类器不同，所提出的两阶段方法要求首先通过门将油炸窗口识别为与活动相关，然后再进行活动标记。因此，一些原本可能被平面模型直接归为油炸类别的边界窗口在活动相关性阶段被过滤掉了，体现了基线动态和活动相关动态之间的更严格分离。这些变化转化为F1分数的显著提升（吸尘清洁增加了52.8个百分点，喷漆清洁增加了51.5个百分点），煮沸增加了16.3个百分点，基线增加了14.9个百分点，烤箱烹饪增加了14.9个百分点，油炸增加了10.4个百分点）。混淆矩阵显示（图9），对于平面模型，大多数清洁窗口被归入了基线类别（喷漆窗口中有67.7%，吸尘窗口中有64.9%被预测为基线），而级联系统大大减少了这种错误模式（喷漆到基线的错误率从14.5%降低到了3.9%）。级联系统中剩余的错误主要集中在门阈值附近的基线-活动混淆上（例如，11.8%的基线窗口被预测为煮沸，8.8%被预测为吸尘），以及仍然映射到基线的油炸窗口（20.7%），表明未来的改进应该集中在分离低排放烹饪动态和背景变化上。

4. 讨论结果支持这样一个核心观点：从污染物信号中识别室内活动在结构上不同于传统的平面多类别HAR，因为在实际家庭中，主要操作状态是“什么都没有发生”（基线状态），这种状态会被短暂的排放事件及其后的衰减所打断。层次化分解使学习问题与这一物理过程保持一致。当仅评估与活动相关的窗口时，第二阶段（活动识别）的性能接近上限，这意味着一旦模型不必同时学习基线拒绝，多变量污染物轨迹就能为所考虑的活动提供强烈的区分特征。相比之下，相同循环容量下的平面模型在区分基线和其他活动上花费了大量表示资源，混淆矩阵显示它通过将许多非基线窗口合并为BASE来消除歧义。清洁活动的改进最为明显，平面模型主要通过将活动窗口吸收进基线类别而失败。喷漆清洁和吸尘清洁是极端情况：在平面模型下，67.7%的喷漆和64.9%的吸尘窗口被预测为BASE，导致非常低的召回率（分别为23.1%和21.5%）。在级联系统中，这些失败模式被大大消除（喷漆到BASE的错误率降至14.5%，吸尘到BASE的错误率降至3.9%），召回率分别提高到84.9%和96.1%。这种模式与层次化设计的目标一致：一旦门抑制了大部分基线变异性，第二阶段分类器就可以专注于活动之间的结构，从而减少了“默认为基线”的сыл。实际上，这一点很重要，因为与清洁相关的暴露通常是间歇性的、用户驱动的，并且可能与缓解措施相关。因此，门是影响端到端性能的主要因素。其操作点（阈值0.540）产生了高的活动召回率（90.1%），但基线特异性仅中等（71.7%），这在端到端混淆矩阵中有所体现，其中基线窗口有时会被转发并随后被赋予活动标签（特别是煮沸和吸尘）。由于第二阶段在真正活跃的窗口上非常准确，收紧阈值主要会减少误报，但会以错过低显著性活动窗口为代价；相反，放宽阈值会增加敏感性，但会将更多基线窗口传递给活动分类器，从而增加错误的活动标记。报告的错误分解表明，选定的操作点强烈抑制了活动遗漏（所有窗口中的21.6%降至6.3%），同时误报率保持相对稳定（11.0%降至10.3%），当目的是避免错过排放事件时，这是一个合理的部署选择。将活动后衰减窗口映射到原始活动类别的做法从因果和应用的角度来看都是合理的。从室内空气质量的角度来看，当源动作停止后，活动的效果并不会突然结束，因为污染物浓度仍然很高，并且会通过通风、扩散和去除过程继续演变，这些过程与原始排放事件仍有因果关联。因此，衰减动态可能仍然具有区分价值，特别是对于涉及不同污染物混合物的活动（例如，富含VOC的喷漆事件与富含PM的吸尘重新悬浮），并且对于关注暴露的监测和控制应用也可能仍然相关。因此，活动后的窗口被有意保留在原始活动类别中，而不是立即重新分配到基线类别。这种注释策略也与污染物生成活动的事件级解释一致，在这种解释中，相关现象不仅包括源激活，还包括其对室内环境的影响的持续存在。在这种解释下，选定的标记方法提供了一种透明且可复制的方式来表示完整的活动引起的室内空气质量事件，特别是在相关输出是检测到污染物生成事件（例如，“此时发生了喷漆清洁”）的应用中，而不只是为每个单独窗口分配一个严格的即时标签。从系统角度来看，级联系统除了准确性之外还有两个额外的优势。首先，它通过单个门阈值实现了对敏感性的显式控制，而无需重新训练活动分类器，这对于个性化（例如，具有不同通风习惯的用户）很有吸引力。其次，它支持计算效率：第二阶段仅在被认为是活动的窗口上执行，这与电池供电的传感器和连续的后端推理相一致。鉴于采样间隔（5秒）和10个样本的窗口长度，系统可以在窗口充满样本后更新预测，这意味着实际的时间分辨率大约为几秒，决策上下文大约为50秒；这与接近实时的反馈兼容，同时仍然能够捕捉到有意义的污染物动态。主要限制是在受控实验中预期的污染物驱动的识别所面临的限制。在所呈现的结果中评估的活动集包括五个类别（煮沸、油炸、烤箱烹饪、喷漆清洁、吸尘清洁）以及基线。泛化也是一个关键问题：实验在特定的住宅布局中进行，具有固定的传感器放置规则、重复试验和规定的通风制度（烹饪时仅使用排气扇，清洁时窗户开启）。这些限制提高了内部有效性，但可能无法反映真实家庭的多样性、产品和居住者的行为。此外，由于感测单元佩戴在呼吸区附近，颗粒物读数也可能受到运动相关效应的影响，例如颗粒物重新悬浮和靠近身体的气流扰动，特别是在涉及移动或机械搅动的活动期间，如吸尘清洁。然而，在本研究的背景下，这些效应并非纯粹视为干扰，因为它们是居住者在活动期间所经历的真实污染物动态的一部分。最后，当前的评估是基于窗口的；对于实际部署来说，通常有价值的是用事件级指标（每小时/天的错误事件数、事件检测延迟、事件碎片化）来补充这一评估。

5. 结论本工作展示了可以使用便携式暴露导向的感测单元捕获的多变量室内污染物动态来执行家庭活动识别，并且层次化推理结构在以基线为主的监控下比平面多类别公式更有效。所提出的级联系统将“活动相关性”与“活动识别”分开，实现了强大的门排名性能（ROC-AUC 0.914，AP 0.952）和接近上限的条件分类准确率。端到端而言，级联系统将总体准确率提高到82.6%，平衡准确率提高到85.0%，同时将端到端错误率相对于平面模型降低了54.6%。改进主要来自于恢复了平面模型倾向于合并到基线的清洁活动，使吸尘和喷漆清洁的召回率从约21-23%提高到约85-96%。剩余的错误主要集中在基线-活动边界（基线的错误激活和遗漏的低显著性段），在选定的操作点下，油炸是最具挑战性的活动。未来的工作应该扩展验证的活动集，报告连续流上的事件级性能，并评估在不同家庭、通风模式和产品/配方变化下的泛化能力。结果支持这样一个核心观点：从污染物信号中识别室内活动在结构上不同于传统的平面多类别HAR，因为在实际家庭中，主要操作状态是基线行为，这种状态会被短暂的排放事件及其后的衰减所打断。所提出的层次化分解通过将活动相关性检测与活动识别分开，使学习任务与这一物理过程保持一致。在这方面，该研究证明了所提出方法的算法有效性，表明在适当注释的数据集支持下，可以利用污染物驱动的人类活动进行高精度识别。因此，该框架的实际相关性主要应在校准或个性化部署的背景下理解，而不是在任意家庭中通用地即插即用。在现实世界环境中，污染物特征本质上受到家庭布局、通风习惯、居住者行为以及涉及的具体产品或电器的影响，因此某种形式的环境特定校准是一个现实要求，而不是该方法的唯一弱点。同时，即使细粒度活动标记不是唯一目标，该框架仍然具有实际价值。特别是，第一阶段的门已经可以作为可靠的污染物生成事件检测器，支持诸如自适应通风或空气净化控制、关注暴露的监测以及连续记录中相关IAQ事件的自动分割等应用。从这个角度来看，这项工作的主要贡献不是声称无需适应就能实现跨家庭的通用性，而是展示了一种稳健的识别框架，可以作为特定家庭中不显眼监控系统的推理核心。尽管如此，仍应承认一些限制。当前的评估考虑了一个有限的活动集，包括五种家庭活动，即煮沸、油炸、烤箱烹饪、喷漆清洁和吸尘清洁，以及基线条件。此外，实验是在受控条件下进行的，采用了特定的住宅布局、固定的传感器安装位置、重复的试验以及预设的通风方案。这些选择增强了研究的内部有效性，但并未完全反映真实住宅及其居住者的使用习惯的多样性。最后，评估是在“窗口级别”上进行的；对于面向实际应用的评估来说，未来的工作应当通过事件级别的指标（如每小时或每天的误报次数、事件检测延迟以及事件分散程度）来补充这些结果，因为下游的控制和监控系统通常是基于检测到的事件而非单个“窗口”来进行操作的。