陀螺仪（Gyroscope）集成、传感器佩戴部位（Sensor Placement）及活动粒度（Activity Granularity）对人（类）体活动识别（Human Activity Recognition, HAR）性能的影响

《Sensors》：Impact of Gyroscope Integration, Sensor Placement, and Activity Granularity on Human Activity Recognition Performance

　　

摘要：本研究以与西班牙IMPaCT队列设计相一致的实验室数据集为基础，系统评估了传感器配置、身体佩戴部位、分类粒度及模型选择对基于惯性传感的人体活动识别（Human Activity Recognition, HAR）性能的影响。研究人员采集了85名受试者在佩戴大腿、腕部及髋部惯性测量单元（Inertial Measurement Unit, IMU）情况下，完成包含13项半结构化日常活动、一段静息期及一项结构化活动的协议所得数据。经手动校正时间戳漂移后，信号被分割为重叠的10秒窗口，并采用卷积神经网络（Convolutional Neural Network, CNN）、随机森林（Random Forest, RF）及XGBoost分类器进行分析。研究设定了两个分类目标：对15种实验室控制活动的细粒度识别，以及按代谢当量（Metabolic Equivalent of Task, MET）划分为四级的粗粒度强度分类。结果显示，分类粒度是性能的主要决定因素（F1,84＝224.85，p＝2.304×10?13，F1分数方差分析），强度等级分类明显优于细粒度活动识别。传感器配置、模型类型及身体佩戴部位也对分类结果有显著影响，其中腕部佩戴传感器取得了最高的总体F1分数。引入源自陀螺仪的特征（gyroscope-derived features）持续提升了各配置下的性能，特征重要性分析证实了其重要贡献。上述基于受控实验室条件建立的模型所得发现，为大规模人群研究中可穿戴传感方案设计与建模策略提供了实用指导，并支持其延伸至日常体力活动分析，为未来真实场景应用奠定基础。

论文解读：《陀螺仪集成、传感器佩戴部位及活动粒度对人体活动识别性能的影响》

一、研究背景与意义

人体活动识别（Human Activity Recognition, HAR）是基于穿戴式惯性测量单元（Inertial Measurement Unit, IMU，通常含三轴加速度计 accelerometer 和三轴陀螺仪 gyroscope）对人体体力活动进行自动分类的技术，广泛应用于流行病学研究和健康监测。然而，在实际大规模人群研究（如西班牙IMPaCT队列）中，传感器配置（是否含陀螺仪）、佩戴部位（thigh、wrist、hip）、待识别活动的粒度（细分为具体活动 vs 粗分为强度等级）以及分类模型的选择如何影响HAR性能，尚缺乏系统的对照评估。明确这些因素对识别准确率的影响，对于优化可穿戴研究协议和数据分析策略具有重要指导意义。该论文发表于《Sensors》。

二、主要技术方法

研究人员采用与西班牙IMPaCT队列设计对齐的实验室数据集，纳入85名受试者，分别在大腿（thigh）、腕部（wrist）及髋部（hip）佩戴IMU采集数据，受试者完成含13项半结构化日常活动、静息期及结构化活动的标准协议。原始信号经手动校正时间戳漂移后，分割为重叠的10秒滑动窗口进行特征提取。分类目标设定为两类：①细粒度——15种实验室控制活动的逐类识别；②粗粒度——按代谢当量（Metabolic Equivalent of Task, MET）划分为4级强度分类。采用三种分类器建模：卷积神经网络（Convolutional Neural Network, CNN）、随机森林（Random Forest, RF）及XGBoost。通过方差分析（ANOVA）评估分类粒度、传感器配置、佩戴部位及模型类型对F1分数的影响，并结合特征重要性分析量化陀螺仪特征的贡献。

三、研究结果

分类粒度（Classification Granularity）是性能的首要决定因素

研究人员通过双因素及多因素方差分析发现，分类粒度对F1分数影响最为显著（F＝224.85，p＝2.304×10^?13）。粗粒度的MET强度四级分类（静坐、低强度、中等强度、高强度）取得明显高于细粒度15类活动识别的F1分数，说明合并相似运动模式可降低类间混淆，提升整体判别能力。

传感器佩戴部位（Sensor Placement）显著影响识别表现，腕部最优

在相同传感器配置与模型下比较大腿、腕部、髋部三个部位，腕部 mounted IMU 获得最高总体F1分数，尤其在区分上肢参与的上肢主导活动时优势明显；大腿传感器对行走、跑跳等下肢周期性运动具一定互补性，而髋部（常用于能量消耗估算）在单纯活动类型识别中未显示最优表现。

陀螺仪（Gyroscope）特征集成持续提升各类配置性能

对比仅用加速度计（accelerometer-only）与加速度计+陀螺仪（accel.+gyro.）配置，加入陀螺仪角速度衍生特征（如均值、标准差、倾角变化率等）在各佩戴部位和两分类粒度下均带来F1分数的一致提升；特征重要性排序中陀螺仪特征占比显著，证实其对捕捉旋转与姿态变化的关键作用。

模型选择（Model Choice）对结果有影响但效应小于粒度与传感器因素

CNN、RF与XGBoost三种分类器在细粒度任务中CNN略优，粗粒度任务中树模型与之相当；模型类型的主效应显著但η²偏 eta 平方较小，说明选择合适的模型可微调性能，但无法弥补因粒度过细或传感器信息不足带来的局限。

四、讨论与结论翻译（Conclusion 部分总结翻译）

研究人员指出，在基于IMU的人群水平HAR研究中，应优先依据研究目的选定合适分类粒度——若关注体力活动强度分布，粗粒度MET分级可用较简传感器获满意精度；若需辨识具体日常活动行为，则建议腕部+大腿多部位联合并务必集成陀螺仪通道。腕部传感器配合加速度计与陀螺仪能在多数场景下提供较优性价比。所建模型虽源于受控实验室数据，但其参数趋势支持向自由生活场景推广，为大型队列（如IMPaCT）的穿戴协议制定及后续真实世界HAR模型开发提供依据。

结论翻译（研究结论部分浓缩）：

分类粒度是HAR性能的首要决定因素，粗粒度强度分类显著优于细粒度活动识别；腕部佩戴IMU取得最高整体识别准确率；集成陀螺仪衍生特征一致提升各配置下性能且特征重要性突出；传感器配置、佩戴部位及模型类型亦对结果有显著影响。上述发现为大规模人群研究中的可穿戴传感方案设计与建模策略提供实践指导，并为扩展至日常体力活动分析及真实世界应用奠定基础。