基于智能手机传感器数据的临床试验人类活动识别
强关联电子
2025-08-08 v1
摘要
我们开发了一种具有最小开销的基于 ResNet 的人类活动识别 (HAR) 模型，用于检测步行与非步行活动以及日常活动（行走、跑步、爬楼梯、站立、坐姿、躺姿、坐起转换）。该模型使用来自健康对照组 (HC) 和多发性硬化患者 (PwMS) 的智能手机传感器数据进行训练和评估，后者的扩张障碍状态量表 (EDSS) 分数在 0.0-6.5 之间。数据集包括 GaitLab 研究 (ISRCTN15993728)、内部罗氏数据集以及公开数据源（仅用于训练）。评估中纳入了 34 名 HC 和 68 名 PwMS（平均 [标准差] EDSS: 4.7 [1.5]）。在 GaitLab 和罗氏数据集中，HAR 模型分别在检测步行与非步行活动方面达到 98.4% 和 99.6% 的准确率，与比较性 SOTA 模型相当（99.3% 和 99.4%）。对于日常活动，所提模型不仅在准确率上高于 SOTA 模型（96.2% vs 91.9%；内部罗氏数据集），而且在 9 个智能手机佩戴位置（包包、购物包、跨身包、背包、帽兜口袋、外套口袋、手、脖子、腰带）上均表现出高性能，超越 SOTA 模型 2.8% - 9.0%。总之，所提 HAR 模型能够准确检测日常活动，并对各种智能手机佩戴位置表现出高鲁棒性，显示出实际应用价值。
引用
@article{arxiv.2508.05174,
title = {A case for resonant x-ray Bragg diffraction by a collinear antiferromagnet Li2Ni3P4O14},
author = {Stephen W. Lovesey},
journal= {arXiv preprint arXiv:2508.05174},
year = {2025}
}