评估时间序列数据采样不规则性的影响：以人类活动识别为案例研究

人类活动识别（HAR）理想情况下依赖于来自可穿戴或环境仪器传感器的数据，传感器以固定间隔采样，使标准神经网络模型能够针对一致的时间序列数据进行优化。然而，现实世界的传感器数据常因硬件限制、节能措施或通信延迟等原因呈不规则采样，给部署在静态人类活动识别模型带来挑战。本研究通过两种方法模拟不规则数据：引入轻微的采样间隔不一致性（时间戳变化）以模拟传感器抖动，随机删除数据点（随机丢弃）以模拟因数据包丢失或传感器故障导致的缺失值。我们在三个公开数据集上评估了离散时间神经网络和连续时间神经网络，后者专为处理连续时间数据而设计。我们证明，时间戳变化对离散时间神经网络的性能影响不大，而连续时间神经网络在解决不规则采样所带来的挑战方面也显而效于有限，可能是由于在处理缺失数据时对复杂时序模式的建模能力有限。我们的发现凸显了针对时间序列数据中的采样不规则性开发新模型或方法的必要性，例如在人类活动识别中，为该领域的未来研究指明了方向。