基於記憶增強的LSTM自編碼器實現無監督IMU感測器融合活動識別

人體活動識別（HAR）在醫療監測和康復中扮演著關鍵角色。儘管深度學習技術取得了顯著進展，但當前方法仍面臨諸多挑戰：嚴重依賴標註資料、多感測器融合的複雜性，以及無監督方法在捕捉時空依賴性方面的能力不足。這些問題在現實場景中尤為突出，例如資料噪聲大、活動重疊以及標籤缺失。針對這些問題，本文提出了一種完全無監督的時空特徵融合框架，利用記憶增強的自編碼器（Memory-Augmented Autoencoder）來提升活動表徵能力。該框架透過多感測器IMU資料的短時間視窗來提取特徵，從而支援即時應用。具體而言，框架首先使用堆疊自編碼器（Stacked Autoencoder）提取層次化的靜態特徵，並在感測器內部和感測器之間進行融合。隨後，採用序列到序列的LSTM自編碼器對這些特徵進行時序細化，無需標籤即可結合歷史運動模式。透過超引數分析，確定了在短視窗約束下最大化特徵可分性的配置。在DaLiAc和PAMAP2資料集上，使用真實的類間視窗分割進行評估，該方法分別達到了96.6%和98.4%的準確率，超越了多種監督基線和現有的無監督方法。儘管使用了較短的時窗，特徵可分性仍提升了高達9%。值得注意的是，雖然類間分割導致準確率下降了約7%，但這是為了更真實地反映實際活動轉換而有意採用的設計，從而提高了方法的實用價值。該研究為無監督HAR提供了一種有效的解決方案，有望推動相關領域的發展。