面向不完美医疗数据的流形一致性时空网络：用于传感器式人体活动识别
计算机视觉与模式识别
2026-05-05 v1 人工智能
摘要
基于传感器的人体活动识别（HAR）在医疗和健康监测领域引起日益关注，尤其是随着物联网医疗（IoMT）的不断增长。然而，在现实的可穿戴感知场景中，IoMT 信号常因缺失测量、传感器故障和环境噪声而被破坏，这显著降低了依赖干净完整输入的常规深度学习模型的性能。为此，我们提出一种面向不完美感知条件下的流形一致性时空网络（MCSTN）用于稳健的人体活动识别。该框架引入双层损坏建模机制，通过物理层面损坏和扩散驱动的连续损坏来模拟真实感知不完美情况。通过在多个受损视图上强制表示一致性，模型学习稳定且对损坏不变的语义表示。此外，我们设计双流时空架构，显式解耦时序动力学建模和空间相关性学习。时序流捕获长期活动动力学，而空间流建模传感器之间的相互关系，从而实现更有效的时空表示学习。在三个广泛使用的 HAR 基准数据集（PAMAP2、Opportunity 和 WISDM）上的大量实验表明，所提出的 MCSTN 在不完美感知条件下相较于现有 SOTA 方法实现了竞争性性能。这些结果验证了该框架在实际可穿戴 IoMT 感知应用中的有效性和鲁棒性。
引用
@article{arxiv.2605.00913,
title = {Leveraging Imperfect Medical Data: A Manifold-Consistent Spatio-Temporal Network for Sensor-based Human Activity Recognition},
author = {Jiangtao Fan and Anish Jindal and Amir Atapour-Abarghouei},
journal= {arXiv preprint arXiv:2605.00913},
year = {2026}
}