面向惯性传感器的人体活动识别的动量Mamba架构

从惯性传感器进行人体活动识别（HAR）是 ubiquitous computing、移动健康和 ambient intelligence 中的关键任务。传统深度模型，如卷积神经网络（CNN）、循环神经网络（RNN）和 transformer 已推进了 HAR，但受限于梯度消失或爆炸、高计算成本以及难以捕获长程依赖问题。结构化状态空间模型（SSM）如 Mamba 通过线性复杂度和有效的时间建模来解决这些挑战，但仅限于一阶动力学，缺乏稳定的长期记忆机制。我们引入动量 Mamba，一种动量增强的 SSM，融合二阶动力学以改进信息在时间步骤之间的稳定性、鲁棒性和长序列建模能力。进一步的两个扩展提升了其容量：Complex Momentum Mamba 用于频率选择性记忆扩展。实验在多个 HAR 基准数据集上表明，动量增强的 SSM 在准确率、鲁棒性和收敛速度方面 consistently 优于 vanilla Mamba 和 Transformer baseline。仅在训练成本略增的前提下，动量增强的 SSM 提供了有利的准确率-效率平衡，确立了其作为 HAR 及更广泛序列建模应用的可扩展范式。