# 人体活动识别

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。

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。

该研究以 Multimodal Activity Sensing Dataset（MASD，27 类活动、20 名参与者）为对象，检验环境 WiFi 信道状态信息（CSI）能否替代体戴惯性测量单元（IMU）做人体活动识别；作者发现数据集发布的机器学习就绪文件实际暴露的是退化的有符号 CSI 表示而非文档所述的幅度，于是从原始复数 CSI 重建幅度与天线比多普勒、恢复被省略的参与者标识，并在受控多种子、主体独立评估下重新评测，结果显示 WiFi 系统性偏弱：所试每种骨干网络在 27 类上加权准确率仅 6-11%，而 IMU 为 73-80%，27 类活动中 0 类达到可用准确率；修正表示确有作用（在简单子集上提升 14 个百分点），但 WiFi 仍

该研究以 Multimodal Activity Sensing Dataset（MASD，27 类活动、20 名参与者）为对象，检验环境 WiFi 信道状态信息（CSI）能否替代体戴惯性测量单元（IMU）做人体活动识别；作者发现数据集发布的机器学习就绪文件实际暴露的是退化的有符号 CSI 表示而非文档所述的幅度，于是从原始复数 CSI 重建幅度与天线比多普勒、恢复被省略的参与者标识，并在受控多种子、主体独立评估下重新评测，结果显示 WiFi 系统性偏弱：所试每种骨干网络在 27 类上加权准确率仅 6-11%，而 IMU 为 73-80%，27 类活动中 0 类达到可用准确率；修正表示确有作用（在简单子集上提升 14 个百分点），但 WiFi 仍