从「时域建模」到「频域融合」：中山大学团队为传感器人体活动识别提供新思路｜ TPAMI 2026

44 0 0

文章摘要

中山大学团队在传感器人体活动识别领域提出了一种名为三重频域融合的创新框架，从物理机制层面突破了该领域长期存在的核心瓶颈。现有方法通常将惯性测量单元中的重力计、陀螺仪和线性加速度计等同对待，忽视了它们在物理角色和噪声特性上的显著差异，同时过高的传感器采样率引入了大量冗余干扰信息。为解决这些问题，三重频域融合框架从傅里叶域、图傅里叶域和小波域三个全新视角重新审视人体活动识别问题。

该框架包含三个核心模块以实现多层级的特征处理。自适应互补滤波模块通过因果卷积核和注意力机制动态设定滤波器截止频率，有效适配重力计和陀螺仪的噪声特点以获取精准姿态信息。图谱域自适应滤波模块在图谱域设计低通和高通滤波器，提取并动态融合不同传感器节点间的同质与异质信息，从而兼顾共享活动模式与个性化特征。自适应时频选择模块则利用小波变换将特征分解，并通过可学习的二值掩码过滤冗余信息，保留核心价值分量以优化全局时序建模。

在实验评估中，该框架在十个涵盖智能手机和可穿戴设备场景的公开数据集上展现出卓越性能。三重频域融合模型在绝大多数数据集中取得最优成绩，其识别分数相比基线方法均有显著提升，同时在传感器数量增加时保持了平稳的参数量，有效打破了参数爆炸魔咒。此外，各模块展现出高度的可解释性，能够根据运动类型和物理直觉自适应调整滤波频率、图节点权重以及时频分解路径。这项研究表明，研发小型化、高效化且具备高可解释性的领域专用模型对推动传感器人体行为识别的实际落地具有重要价值。