《Scientific Reports》：Recognition of everyday activities using experiment data from wearable sensors: a deep learning-based framework
编辑推荐：
追踪日常活动对于检测老年人健康变化至关重要，可及时提供支持以促进健康福祉。可穿戴传感器与深度学习（Deep Learning, DL）提供了连续监测能力，使其成为检测此类变化的辅助工具。然而，需要更精细的方法来利用最少的传感器集识别精确活动。本研究旨在开发一种
追踪日常活动对于检测老年人健康变化至关重要，可及时提供支持以促进健康福祉。可穿戴传感器与深度学习（Deep Learning, DL）提供了连续监测能力，使其成为检测此类变化的辅助工具。然而，需要更精细的方法来利用最少的传感器集识别精确活动。本研究旨在开发一种方法，通过利用可穿戴传感器和深度学习模型来识别老年人中的日常活动。这是一项小规模的家庭实验室实验，旨在开发一种识别14种日常活动的方法。研究人员比较了五种模型，这些模型通过不同传感器信号数量和准确率识别日常活动。研究结果表明，传感器放置位置至关重要。基于这些结果，研究人员提出了一种双传感器方法（骨盆和右手）来收集并正确识别老年人的日常活动。该模型利用两个传感器，以89.3%的准确率分类了12种活动。另一个模型使用五个传感器以88.2%的较低准确率识别了全部14种活动。研究人员还探索了单传感器方法，该方法表现出较低的识别性能，并难以区分活动变异性。基于双传感器的系统将允许大规模收集老年人日常活动数据。
**论文解读文章：基于可穿戴传感器与深度学习的老年人日常活动识别研究**
**研究背景与问题**
随着全球人口老龄化加剧，老年人健康状态的早期检测与干预成为公共卫生领域的重要议题。日常活动（如步行、坐立、烹饪、服药等）的持续监测有助于识别与年龄相关的功能衰退迹象，例如向久坐行为的转变或步态模式的改变，这些变化可能提示抑郁或慢性疾病的早期发生。然而，传统的监测方法（如自我报告和临床评估）存在主观性强、受回忆偏差影响、往往在问题已凸显时才启动评估等局限性。可穿戴传感器能提供客观、连续、全面的数据，但当前方法在精确区分不同日常活动以及传感器类型方面仍需改进。此外，传感器数据在真实环境中的可靠性（如传感器放置位置、环境干扰、噪声）以及个体间活动执行方式的变异性（受健康状况、偏好、能力影响）均对活动识别模型提出了挑战。现有数据集多基于年轻受试者，缺乏以老年人为参与者的日常活动标注数据，且用户对传感器技术的接受度（如舒适性、隐私、设计美观性）也是实际部署中的关键障碍。因此，本研究旨在开发一种可准确识别老年人日常活动的方法，并探索最少传感器数量以平衡性能与实用性。
**研究内容与结论**
研究人员开展了一项小规模家庭实验室实验，在瑞典隆德大学医学院的运动与现实实验室（MoRe-Lab）中，招募10名65岁以上老年人，使用包含17个惯性测量单元（Inertial Measurement Unit, IMU）的Xsens MVN Awinda运动捕捉系统，采集14种日常活动的运动学数据。通过视频同步标注传感器数据，并采用长短期记忆网络（Long Short-Term Memory, LSTM）构建深度学习模型。研究人员比较了五种不同传感器配置的模型，发现传感器放置位置和数量显著影响识别性能。最终提出一种双传感器配置（骨盆+右手），可识别12种活动，准确率达89.3%，优于单传感器（66.2%）和五传感器（88.2%）模型。统计检验表明，模型1至4之间无显著性能差异，但双传感器模型因舒适性、低侵入性和成本优势而更具实际应用潜力。参与者问卷调查显示，多数人对传感器接受度较高，但对其外观设计不满意。该研究论文发表在《Scientific Reports》。
**主要技术方法**
研究人员采用的关键技术方法包括：（1）使用Xsens MVN Awinda系统（含17个IMU）采集三维运动数据，在实验室环境（MoRe-Lab）中模拟家庭场景，并通过视频录制提供地面真值以手动标注14种日常活动；（2）对传感器信号提取四种时域特征（均方根、平均绝对值、方差、信号最大值），采用滑动窗口（窗口100样本、步长20样本）进行数据分割；（3）构建LSTM网络（256个单元，输入历史15步），后接批归一化层、丢弃层（丢弃率0.2）和全连接层（softmax激活），使用RMSprop优化器和稀疏分类交叉熵损失函数训练，通过留一受试者交叉验证评估性能。
**研究结果**
**传感器配置与活动识别**
研究人员通过迭代试验确定五种代表性模型。Model 0（单右前臂传感器）准确率仅66.2%，无法区分复杂活动。Model 1（五传感器：右前臂、头、右手、右大腿、左大腿）识别全部14种活动，准确率88.2%。Model 2（七传感器：包括左右肢和头）准确率86.0%，但对复杂活动（如准备食物、使用卫生间、吸尘）识别更可靠。Model 3（双传感器：骨盆+右手）识别12种活动，准确率89.3%，F1分数89.4%，在性能与实用性间取得最佳平衡。Model 4（三传感器：在Model 3基础上增加头部）准确率84.3%，未提升性能，表明传感器数量增加存在边际效益递减。
**交叉验证与统计检验**
Friedman检验和Wilcoxon符号秩检验表明，Model 0与Model 1–4之间存在统计显著差异（p<0.05），但Model 1–4之间无显著差异，说明不同多传感器配置在功能上可比较。调整后每类准确率显示，前三类活动（阅读报纸、手机通话、服药）因运动细微重叠而难以识别，模型2在各类别上表现最稳定，而模型3和4在部分复杂活动上变异性更大。
**与传统机器学习基准对比**
将LSTM与逻辑回归（Logistic Regression, LR）、随机森林（Random Forest, RF）、支持向量机（Support Vector Machine, SVM）比较，LSTM在所有模型配置中准确率均最高（66.2%–89.3%），且除M2 LSTM与RF对比外（p=0.08），其余差异均统计显著。
**参与者体验**
调查问卷显示，10名参与者中8人认为传感器不具侵入性，10人表示传感器不会妨碍日常活动，5人愿意长期使用，但7人对传感器外观设计不满意，表明功能可接受但设计需改进。
**讨论与结论**
讨论部分指出，传感器数量并非唯一决定因素，放置位置同样关键。双传感器模型（Model 3）通过优化部位（骨盆+优势手）实现了高精度，同时降低了计算复杂度和用户负担。参与者对设计的负面反馈强调以用户为中心的设计（User-Centered Design, UCD）的重要性。研究局限性包括：数据采集于单一实验室环境，样本量小（10人），部分活动持续时间短导致数据不平衡，且未系统评估所有传感器组合（超13万种可能）。未来研究需在真实家庭环境中验证，并探索个性化模型。
**研究结论**
本研究提出了一种能够准确识别老年人在家庭环境中日常活动的方法。分析表明，14种活动可获得可观的总体模型性能准确率。在包含12种活动时，所提出的双传感器系统在减少传感器使用的同时增强了模型性能。本研究的另一重要贡献在于其大规模数据收集的潜力。由于所提出的模型仅需两个可穿戴传感器（骨盆和优势手），因此比多个传感器更实用且更易被接受。这种最小配置可促进老年人日常活动的大规模、长期数据收集。利用该提议方法，可在家庭中收集和监测日常活动数据。进一步开发可形成评估和监测功能的系统。家庭监测系统可通过促进安全、及时干预以及日常活动中的更大自主性，提高老年人生活质量并维持其独立性。
