从手工特征到深度学习：基于腕表加速度计数据进行 24 小时运动行为分类
机器学习
2025-09-11 v1 人工智能
摘要
目的：我们比较了深度学习 (DL) 和经典机器学习 (ML) 算法在将 24 小时运动行为分类为睡眠、坐卧、轻度运动强度活动 (LPA) 和中等至高强度运动活动 (MVPA) 的性能。方法：使用来自 151 名佩戴腕表式加速度计 (Axivity-AX3) 的开放数据。将受试者随机分为训练、验证和测试组（分别为 121 人、15 人和 15 人）。原始加速度信号被划分为非重叠的 10 秒窗口，然后提取总计 104 个手工特征。四个 DL 算法——长短期记忆 (LSTM)、双向长短期记忆 (BiLSTM)、门控循环单元 (GRU) 和一维卷积神经网络 (1D-CNN)——使用原始加速度信号以及从这些信号中提取的手工特征进行训练，以预测 24 小时运动行为类别。手工特征也用于训练经典 ML 算法，即随机森林 (RF)、支持向量机 (SVM)、极端梯度提升 (XGBoost)、逻辑回归 (LR)、人工神经网络 (ANN) 和决策树 (DT)，用于对 24 小时运动行为强度进行分类。结果：当使用原始加速度信号训练时，LSTM、BiLSTM 和 GRU 的总体准确率约为 85%，而 1D-CNN 的总体准确率约为 80%。当在手工特征上训练时，DL 和经典 ML 算法的总体准确率范围为 70% - 81%。总体而言，MVPA 和 LPA 的分类混淆较大，与睡眠和坐卧类别相比更为明显。结论：使用原始加速度信号的 DL 方法在预测 24 小时运动行为强度方面仅略优于训练手工特征的 DL 和经典 ML 方法。
引用
@article{arxiv.2509.08606,
title = {Classification of 24-hour movement behaviors from wrist-worn accelerometer data: from handcrafted features to deep learning techniques},
author = {Alireza Sameh and Mehrdad Rostami and Mourad Oussalah and Vahid Farrahi},
journal= {arXiv preprint arXiv:2509.08606},
year = {2025}
}