摘要
智能家居环境中的人体活动识别（HAR）对于环境辅助生活（AAL）至关重要。然而，现有的利用图神经网络（GNNs）的方法通常依赖于静态传感器拓扑结构，无法充分捕捉多传感器数据的动态时空依赖关系和异构特性。为解决上述挑战，本文提出了一种用于智能家居人体活动识别的动态时空图注意力网络（DSTGAT）。首先，引入多模态特征嵌入机制，将时间、空间、传感器类型和观测数据统一为一种连贯的表示。其次，设计了一种级联LSTM架构，结合双向LSTM和单向LSTM，用于建模人体活动的非对称时间依赖关系。此外，为克服固定图的限制，提出了一种基于Gumbel-Softmax采样的动态图学习模块，以自适应地重建传感器邻接矩阵。最后，采用Talking-Head图注意力机制以促进跨头特征交互，增强全局语义融合。在四个公开的CASAS智能家居数据集（Aruba、Milan、Cairo和Kyoto7）上的大量实验表明，DSTGAT在全部四个数据集上均取得了最高的F1分数，相较于各数据集上最强的基线方法，提升了2.70至9.26个百分点；在配对统计检验的重复运行中证实，这些差异在四个数据集中的三个上具有显著性（p < 0.01）。此外，所提出的模型在四个数据集中的三个上，当30%传感器数据缺失时，性能下降不超过0.6个百分点。本研究为智能家居部署中的非侵入式活动监控提供了一种高效可靠的解决方案。
