跨物种行为表征学习：基于域对抗自适应的可穿戴IMU信号

《Biomimetics》：Cross-Species Behavioral Representation Learning Using Domain-Adversarial Adaptation on Wearable IMU Signals

　　

动物 locomotion 展现出高度结构化的时间动态，尽管存在显著的种间生物力学和解剖学差异。虽然可穿戴惯性测量单元（IMU）传感器和深度学习推动了动物活动识别的发展，但现有系统仍高度依赖物种，每次部署都需要大规模标注数据集。为解决这一问题，研究人员提出了一种仿生跨物种行为表征学习框架，从异质IMU信号中提取可迁移的 locomotor 结构。该研究方法整合了行为本体论协调、不平衡感知增强和半监督域对抗自适应，以减少种间分布差异。与传统的分类模型不同，其双头架构能够同时处理解剖学多样物种的多标签和单标签行为结构。在狗、山羊和马数据集上进行的大量实验表明，所提框架显著提升了跨物种迁移性，平均 Macro-F1 分数达到0.711，而直接迁移学习仅为0.345。此外，研究表明稀疏目标监督对于稳定对抗自适应至关重要。K-Means 头自适应部分缓解了完全无监督的负迁移，但其性能仍低于半监督域对抗神经网络（DANN），表明稀疏目标监督对于稳定的跨物种自适应仍是必要的。这些发现表明，生物学驱动的 locomotor 相似性可以支持跨物种行为迁移，但尚需在更多物种、传感器放置位置和部署条件下进行外部验证。

**论文解读：跨物种行为表征学习框架在可穿戴IMU信号中的应用**

**研究背景与问题**
动物运动（locomotion）虽然在不同物种间存在显著的生物力学和解剖学差异，但展现出高度结构化的时间动态。近年来，可穿戴惯性测量单元（IMU）传感器与深度学习技术的结合，使得动物活动识别在畜牧管理、动物福利评估、兽医监测和精准农业等领域取得了重要进展。然而，现有系统普遍具有强烈的物种依赖性，每次部署新物种时都需要大规模标注数据集，且传感器配置和环境条件通常固定。传统方法依赖手工特征提取和物种特定模型，难以推广到解剖结构和行为模式差异巨大的物种间。此外，不同数据集的行为标注方案（如多标签与单标签）存在语义不一致，进一步阻碍了跨物种泛化。因此，开发一种能够提取跨物种共享运动结构、减少对大规模标注依赖的仿生表征学习框架，成为当前可穿戴传感系统的重要挑战。

**研究内容与结论**
研究人员提出了一种仿生跨物种行为表征学习框架，用于从狗、山羊和马的可穿戴IMU数据中实现可迁移的动物活动识别。该框架整合了行为本体论协调、不平衡感知预处理、主成分分析（PCA）特征稳定化、时间深度表征学习和半监督域对抗自适应（DANN），旨在减少种间分布差异，同时保留生物共享的运动结构。实验结果表明，半监督域对抗自适应显著提升了跨物种迁移性能：平均Macro-F1分数从直接迁移学习的0.345提升至0.711。注意力循环架构（GRU-Attention和BiLSTM-Attention）表现最佳，优于Transformer和卷积神经网络（CNN1D）。山羊→马方向的迁移性能最高，揭示了单标签标注结构下更兼容的运动模式可促进转移。行为级别分析显示，节奏稳定、持续时间长的行为（如小跑、行走、静止）更易迁移，而短时或语义重叠行为（如抖动、进食）则相对困难。完全无监督的对抗自适应在狗→马压力测试中发生严重负迁移（Macro-F1降至0.03），但极少量目标标签（λ=0.01）即可恢复至0.63，表明稀疏监督对稳定适应至关重要。K-Means头自适应部分缓解了无监督负迁移，但仍远低于半监督DANN。组件消融实验表明完整预处理管道（包括PCA、类平衡、噪声清洗）与对抗对齐共同贡献了最终性能。该论文发表在《Biomimetics》。

**主要关键技术方法**
研究人员采用的关键技术方法包括：① 行为本体论协调：基于行为迁移相似性分数（BTSS）和Jensen-Shannon散度（JSD）将不同物种的原始标签映射为六类共享行为本体；② 不平衡感知预处理：使用编辑最近邻（ENN）和Tomek Links去除噪声，对多标签狗数据采用多标签合成少数类过采样技术（MLSMOTE），对单标签山羊和马数据采用条件Wasserstein生成对抗网络与梯度惩罚（cWGAN-GP）进行少数类增强，并通过主成分分析（PCA）降维稳定特征空间；③ 半监督域对抗神经网络（DANN）：通过梯度反转层（GRL）对齐源域和目标域特征分布，采用双头分类架构（多标签focal二元交叉熵与单标签focal分类交叉熵）处理异构标注结构；④ 训练策略：包括迁移学习（TL）、DANN自适应和动态伪自训练（D-PST）三个阶段，以及K-Means头自适应作为无监督校准。所用样本队列来自三个公开数据集：狗（项圈式IMU，多标签注释）、山羊（体载IMU，单标签）、马（体载IMU，单标签）。

**研究结果**
**3.1 预处理与表征空间结果**
预处理管道减少了噪声和模糊样本，但类不平衡仍然存在。PCA策略影响迁移性：山羊-PCA在逻辑回归筛选中获得最高平均转移Macro-F1；狗→马场景下，山羊-PCA改善了DANN性能。去除共享PCA导致最大性能下降（Macro-F1从0.711降至0.439）。轮廓分析显示迁移学习（TL）嵌入的行为分离最强，DANN嵌入的域对齐提升但类分离适度降低。

**3.2 迁移学习、DANN与D-PST性能**
DANN阶段平均Macro-F1从TL的0.345提升至0.711，表明对抗特征对齐有效减少了种间分布差异。D-PST阶段未带来额外收益，反而在多数实验中降低了DANN性能，提示伪标签错误在对抗适应后可能累积，尤其对稀有或模糊行为。

**3.3 源-目标与架构级别结果**
山羊→马方向表现最佳（Macro-F1=0.747），说明单标签标注结构下兼容的运动模式更易转移。狗为目标方向的转移较为困难，因其多标签结构和残留不平衡。GRU-Attention获得最高平均Macro-F1（0.737），BiLSTM-Attention紧随其后（0.736），两者均优于CNN1D和Transformer，表明注意力循环架构对可穿戴IMU时序数据具有更强的归纳偏置。

**3.4 行为级别结果**
小跑、行走和静止的F1分数超过0.90，迁移性最强；抖动和进食表现波动较大，因短时、低频或与其他行为语义重叠。高表现案例多出现在山羊和马相关的转移方向，提示单标签目标结构提供了更稳定的类边界。

**3.5 稀疏标签与无监督自适应结果**
狗→马BiLSTM-Attention设置下，完全无监督DANN（λ=0）导致Macro-F1降至0.03，出现严重负迁移；λ=0.01时恢复至0.63，表明稀疏监督足以稳定适应。K-Means头自适应在无监督下达到0.40，优于无监督DANN但仍低于半监督结果。其他无监督基线（如CORAL、CDAN）均未达到TL零样本基线。

**3.6 统计验证**
Wilcoxon符号秩检验和Friedman检验证实TL到DANN的改进、DANN到D-PST的下降均显著；Nemenyi事后分析显示注意力循环架构显著优于Transformer，但与CNN1D差异不显著。

**3.7 组件消融与可解释性**
消融实验表明完整管道贡献最大：去除PCA导致最大降幅，去除类平衡主要损害少数类（抖动F1从0.39降至0.14，奔跑从0.48降至0.18），去除训练集清洗影响最小。SHAP分析显示陀螺仪零交叉特征（Gz_zcr、Gx_zcr）是最具信息量的预测因子，表明动态运动转换特征比静态幅度更能驱动跨物种迁移。

**讨论与结论**
研究人员讨论指出，半监督域对抗自适应显著提升了跨物种迁移性能，支持了不同物种间存在部分可迁移运动模式的假设。DANN的改进源于减少源-目标分布差异，但完全无监督情况下存在负迁移风险，而稀疏目标监督可有效防止。D-PST的退化表明伪标签噪声在对抗适应后可能放大错误。注意力循环架构的优越性与其对时序动态的建模能力一致。行为级别差异归因于时间规律性、类频率和跨物种语义一致性。组件消融强调完整管道而非单一组件的必要性。

研究结论部分翻译如下：本研究提出了一种半监督跨物种行为表征学习框架，用于从狗、山羊和马的可穿戴IMU数据实现可迁移的动物活动识别。该方法结合了行为本体论协调、不平衡感知预处理、PCA表征稳定化、时间深度特征提取和域对抗自适应。实验结果表明，域对抗自适应显著提升了跨物种迁移性能，平均Macro-F1从直接迁移学习的0.345提升至DANN阶段的0.711。注意力循环架构表现最佳，GRU-Attention和BiLSTM-Attention优于Transformer和CNN1D。山羊→马方向获得最高迁移性能，表明当目标与源域共享兼容的运动结构和标注方案时迁移更有效。行为级别结果显示，节奏稳定行为（小跑、行走、静止）比短时或语义重叠行为更易迁移。狗→马压力测试分析表明，完全无监督对抗适应在严重种间域偏移下可能不稳定，而极小量目标标签即可大幅恢复性能。K-Means头自适应提供了更稳定但有限的缓解策略。总体而言，研究结果支持从可穿戴传感器数据中学习生物意义且可迁移的行为表征的可行性，提出的框架通过减少对大规模物种特异性标注和模型重新设计的依赖，为动物行为监测系统提供了可扩展方向。未来工作应扩展到更多物种、传感器放置位置和实际部署条件，并整合置信度感知伪标签、自适应本体论优化、更强目标域校准以及多模态传感源。