基于循环稀疏卷积神经网络的智能鞋垫传感器数据活动识别

配备压力传感器、加速度计和陀螺仪的智能鞋垫提供了一种非侵入性的人体步态和姿态监测方式。我们提出一种基于循环稀疏卷积神经网络（CDCNN）的活动分类系统，用于处理此类鞋垫的多模态时间序列数据。该模型在 160 帧窗口上运行，包含 24 个通道（18 个压力、3 个加速度计轴、3 个陀螺仪轴），在基于主体独立的评估中实现 86.42% 的测试准确率，用于四分类任务（站立、行走、坐姿、 tandem），而使用在展平数据上训练的极端梯度提升树（XGBoost）模型实现 87.83% 的准确率。排列特征重要性分析表明，惯性传感器（加速度计和陀螺仪）对判别具有显著贡献。该方法适用于嵌入式部署和实时推理。