混合卷积-门控循环神经网络用于鲁棒移动健康活动分类

《International Journal of Telemedicine and Applications》：Hybrid Convolutional-Gated Recurrent Neural Network for Robust Mobile Health Activities Classification

　　

移动健康已成为患者利用智能手机和智能手表等移动设备监测和分析身体活动及生命体征的流行选择。此外，医疗界已开始使用人工智能(AI)模型自动化异常状况和疾病的诊断，特别是在实时紧急场景中。本文介绍了一种用于自动识别日常身体活动的新型深度学习模型。研究人员提出了一种结合卷积神经网络(CNN)与门控循环单元(GRU)的混合AI模型，用于鲁棒人体活动分类。主要贡献包括：(1)设计了一种端到端的CNN-GRU模型，能够从原始传感器数据中联合提取局部时空特征并建模长期时间依赖关系；(2)建立了一个综合基准测试框架，将所开发模型与以往的机器学习和深度学习分类器进行验证。本研究使用了公开的移动健康数据集(MHEALTH)。该数据集包含12种物理活动，例如屈膝、行走和跑步。关键发现表明，CNN-GRU模型在涵盖12种不同物理活动的公开MHEALTH数据集上达到了99.50%的最先进分类准确率。其显著优于CNN-LSTM(98.83%)、一维卷积神经网络(1-D CNN)(96.89%)及传统集成方法，同时在所有活动类别上保持了高精度、高召回率和高F1分数。因此，研究人员开发的模型可部署于云计算系统中，作为关键医疗应用用于监测老年病患。

研究背景方面，移动健康(m-health)利用智能手机、平板电脑和可穿戴技术改善健康结果，在现代医疗中提供了可及性、实时监测和个性化健康管理。然而，发展中国家面临熟练医务人员稀缺、基础设施不足、成本障碍及电池续航等挑战。在人体活动识别(HAR)中，传统机器学习(ML)依赖人工提取特征，过程复杂且需专业知识；深度学习(DL)虽能自动提取特征，但单纯卷积神经网络(CNN)难以处理时间序列的长期依赖，而循环神经网络(RNN)存在梯度消失问题。可穿戴传感器数据的异质性、资源受限设备的实时识别需求、相似动作的时序模糊性以及隐私与延迟问题，促使研究人员设计轻量级分类器。为此，研究人员开展了结合CNN与门控循环单元(GRU)的混合模型研究，在MHEALTH数据集上实现12类物理活动分类，得出CNN-GRU模型准确率达99.50%，优于现有方法的结论，对远程老年患者监测具有重要意义。该论文发表在《International Journal of Telemedicine and Applications》。

关键技术方法方面，研究人员使用公开的MHEALTH数据集，该数据集由10名受试者佩戴左踝、右腕和胸部传感器以50 Hz采样率采集12种物理活动。采用按受试者分层抽样的80%训练与20%测试划分以防数据泄露，保留时序顺序。构建的CNN-GRU模型包含两层一维卷积(Conv1D)、批归一化、ReLU、最大池化、GRU层、Dropout(0.5)、全连接层及SoftMax输出层，总可训练参数144,717。使用TensorFlow-Keras实现，超参数设为Adam优化器、稀疏分类交叉熵损失、批次155、10轮训练。通过混淆矩阵及准确率、精确率、召回率、F1分数评估，并开展消融实验验证组件贡献。

研究结果部分，首先在4. Experiments中，研究人员在MHEALTH数据集上对比SVM、随机森林、1-D CNN、CNN-LSTM与CNN-GRU。结果显示1-D CNN准确率96.89%，CNN-LSTM为98.83%，而CNN-GRU达99.50%，且在爬楼梯(A₀₅)、腰部前屈(A₀₆)等活动上指标最高，仅7个样本误分类。表6进一步对比既往研究，MLP为89.49%，集成模型91.72%，CNN-LSTM 93.80%，CNN-GRU显著优于它们，精确率0.994、召回率0.993、F1分数0.993、AUC 0.998。

在4.1. Ablation Study中，研究人员设置五种变体：纯CNN(96.89%)、CNN-LSTM(98.83%)、无Dropout的CNN-GRU(98.91%)、Dropout 0.3的CNN-GRU(99.21%)及所提Dropout 0.5的CNN-GRU(99.50%)。结果表明引入循环单元提升超2%准确率，GRU较LSTM参数少5%、推理快22%，Dropout 0.5最优平衡泛化与容量，验证架构选择合理。

讨论部分，研究人员指出CNN-GRU成功分类12类活动，准确率99.50%超越MLP、1-D CNN及CNN-LSTM。GRU因结构简单、训练快于LSTM，且模型仅144,717参数，属轻量级，适合移动设备与边缘部署，避免大模型领域失配与高资源需求。模型受数据质量、相似性活动（如屈膝与爬楼）限制，但可迁移至其他人体活动识别(HAR)数据集并调整类别数重训，未来可结合元启发优化与解释模块。结论部分翻译为：本文介绍了一种利用可穿戴传感器进行人体活动多分类的新型有效CNN-GRU模型。分类结果将人体活动分为12种不同的身体物理活动，如图4所示。所开发的CNN-GRU表现出优于1-D CNN和CNN-LSTM分类器的性能，如表5所示。此外，与最先进的机器学习和CNN-LSTM分类器相比，它达到了99.50%的最佳准确率，如表6所示。本研究的终极目标是开发鲁棒的移动健康应用以部署于数字健康系统。未来工作将把混合CNN-GRU模型集成至边缘可穿戴平台（如商用智能手表）以实现物理活动实时识别。借助新兴5G与6G通信网络的高带宽能力及可扩展云边基础设施，所提移动健康系统可支持连续远程监测与大规模在线临床试验。该集成对个性化医疗、慢性神经退行性疾病（如帕金森病(PD)）管理、康复追踪及老年护理具变革潜力，在为临床人员提供可操作数据驱动洞察的同时提升患者生活质量。因此，研究人员将聚焦模型压缩以实现设备上推理、跨数据集泛化及联邦学习策略以在分布式医疗物联网中保护用户隐私。