基于物理仿真的可穿戴 IMU 基于人类活动识别的物理上合理数据增强

传感器-based 人类活动识别 (HAR) 中的高质量标注数据稀缺，限制了模型性能并阻碍了其在真实场景中的泛化。数据增强是缓解这一问题的关键策略，通过增强训练数据集的多样性来实现。信号转换-based 数据增强 (STDA) 技术在 HAR 中得到广泛应用。然而，这些方法往往在物理上不合理，可能导致增强后的数据未能保留活动标签的原始含义。本研究引入并系统性地表征了由物理仿真驱动的物理上合理数据增强 (PPDA)。PPDA 利用动作捕捉或基于视频的人体姿态估计获取的人体运动数据，并通过物理仿真整合各种真实变异性，包括修改人体运动、传感器安装位置以及硬件相关效应。我们将 PPDAs 与传统 STDAs 在三个公开日常活动和健身锻炼数据集上进行比较。首先，单独评估每种增强方法，直接将 PPDAs 与其 STDA 对等比较。接着，我们评估将多个 PPDAs 组合使用可减少初始数据收集需求的能力，通过 varying 用于训练的受试者数量来实现。实验表明，PPDAs consistently 带来显著好处，通过平均提升 3.7 pp（最高达 13 pp）的宏观 F1 分数，并在最少 60% 的训练受试者数量下即可达到与 STDAs 相当的性能。作为 PPDA 在传感器-based HAR 中首个系统性研究，这些结果凸显了追求数据增强物理合理性的优势，并展示了物理仿真为训练深度学习 HAR 模型生成合成惯性测量单元数据的潜力。这种成本效益高且可扩展的方法有助于解决 HAR 中的标注稀缺挑战。