基于记忆增强的LSTM自编码器实现无监督IMU传感器融合活动识别

人体活动识别（HAR）在医疗监测和康复中扮演着关键角色。尽管深度学习技术取得了显著进展，但当前方法仍面临诸多挑战：严重依赖标注数据、多传感器融合的复杂性，以及无监督方法在捕捉时空依赖性方面的能力不足。这些问题在现实场景中尤为突出，例如数据噪声大、活动重叠以及标签缺失。针对这些问题，本文提出了一种完全无监督的时空特征融合框架，利用记忆增强的自编码器（Memory-Augmented Autoencoder）来提升活动表征能力。该框架通过多传感器IMU数据的短时间窗口来提取特征，从而支持实时应用。具体而言，框架首先使用堆叠自编码器（Stacked Autoencoder）提取层次化的静态特征，并在传感器内部和传感器之间进行融合。随后，采用序列到序列的LSTM自编码器对这些特征进行时序细化，无需标签即可结合历史运动模式。通过超参数分析，确定了在短窗口约束下最大化特征可分性的配置。在DaLiAc和PAMAP2数据集上，使用真实的类间窗口分割进行评估，该方法分别达到了96.6%和98.4%的准确率，超越了多种监督基线和现有的无监督方法。尽管使用了较短的时窗，特征可分性仍提升了高达9%。值得注意的是，虽然类间分割导致准确率下降了约7%，但这是为了更真实地反映实际活动转换而有意采用的设计，从而提高了方法的实用价值。该研究为无监督HAR提供了一种有效的解决方案，有望推动相关领域的发展。