仅基于心电图数据的人体活动识别
信号处理
2025-09-25 v1 人工智能
机器学习
摘要
人体活动识别对于早期干预和健康分析等应用至关重要。传统的活动识别依赖于惯性测量单元（IMUs），这些单元资源密集且需要校准。尽管基于心电图（ECG）的方法已被探索，但这些方法通常作为IMUs的补充，或仅限于粗略的分类，如跌倒检测或日常活动中的活跃与非活跃状态。在本文中，我们首次证明了仅使用ECG即可对六种不同的活动进行稳健识别，这超越了以往工作的范围，从而推动了该领域的发展。我们设计并评估了三种新的深度学习模型，包括：一个带有挤压-激励模块用于通道级特征重校准的CNN分类器，一个带有空洞卷积用于捕获多尺度时间依赖性的ResNet分类器，以及一个新颖的CNN-Transformer混合模型，该模型结合了卷积特征提取与注意力机制，用于长程时间关系建模。在来自54名受试者的六种活动数据上进行测试，所有三个模型对已见受试者的准确率均超过94%，而CNN-Transformer混合模型对未见受试者的准确率最高，达到72%，这一结果可通过增加训练人群数量进一步提高。本研究表明了首次成功的仅凭ECG的多项身体活动分类，为开发能够同时进行心脏监测和活动识别而无需额外运动传感器的下一代可穿戴设备提供了巨大潜力。
引用
@article{arxiv.2509.19328,
title = {Human Activity Recognition Based on Electrocardiogram Data Only},
author = {Sina Montazeri and Waltenegus Dargie and Yunhe Feng and Kewei Sha},
journal= {arXiv preprint arXiv:2509.19328},
year = {2025}
}
备注
This is a preprint version. Content may change before final publication