可穿戴活动识别换掉固定通道输入层：一套权重跨四个数据集，PAMAP2 达 99.23%
核心概要
可穿戴传感器活动识别长期受制于固定通道数的输入层，换数据集就要重设网络。UniHAR 用通道无关的逐通道描述子把不同传感器布局投影到统一特征空间，再以三种时间尺度分块并用傅里叶混合捕捉步态等周期结构。同一套骨干在 UCI-HAR、Opportunity、Daphnet、PAMAP2 上分别取得 96.35%、94.45%、96.44%、99.23% 的准确率，参数量在 0.7–0.9M 之间。
深度剖析
可穿戴活动识别模型不再绑定某一套传感器通道数，同一组参数可跨数据集使用。 此前的卷积与循环模型使用与通道数相关的输入层，通道数变化时需要重新训练或改动结构。 在 UCI-HAR、Opportunity、Daphnet、PAMAP2 四个数据集上，UniHAR 分别取得 96.35%、94.45%、96.44%、99.23% 的准确率，参数量为 0.7–0.9M。
网络先把每个传感器通道单独压缩成一个固定长度的描述子，再由所有数据集共享的评分器把通道软分配到若干组，最后把各组特征拼接融合。 这套通用通道协调（UCH）取代了依赖通道数的权重矩阵，使输入层不再随数据集重设。 在 UCI-HAR 与 PAMAP2 共享的六类活动上做零样本迁移，UCH 的目标域宏 F1 为 69.9%（UCI-HAR 到 PAMAP2）和 77.6%（PAMAP2 到 UCI-HAR），高于通道均值聚合的 62.1% 和 71.1%。
时间维度按物理采样率切成细、中、粗三种分块，每个编码块内先用 FFT 在尺度内混合，再做跨尺度注意力。 单一固定时间分辨率会把细粒度手势和整体姿态变化压到同一尺度上。 去掉多尺度分块后，Opportunity 准确率从 94.45% 降到 85.89%，UCI-HAR 从 96.35% 降到 92.24%。
启示与展望
演示范围限于四个可穿戴 IMU 基准数据集上的受试者独立评估，以及 UCI-HAR 与 PAMAP2 之间六类共享活动的零样本迁移；推理延迟在桌面 CPU 与单张 A100 上测得。
通道数泛化依赖训练时见过的最大通道数做零填充，属于近似而非保证；跨尺度信息交换方向固定为先粗后细，双向方案未实现；零样本迁移的目标域宏 F1 仍比源域低 22–26 个百分点。