面向老年人群的基于合成数据的鲁棒性活动识别特征选择
计算机视觉与模式识别
2026-02-09 v2
摘要
髋部骨折康复期间的体力活动对于缓解老年患者长期功能衰退至关重要。然而，这在临床实践中鲜有量化。现有基于商业可用可穿戴设备的连续监控系统通常在中年成年人群中开发，因而在步态较慢且更不规则的老年人群中表现不可靠。本研究旨在开发稳健的人类活动识别(HAR)系统，以提高老年人群中持续体力活动识别的可靠性。24名80岁以上健康老年人在模拟真实生活情境下佩戴两个加速度计（分别位于下背部和前腰部），完成日常活动(行走、站立、坐卧、躺卧及体位转换)。采用留一被试法交叉验证评估模型稳健性。合成数据显示其在被试间提高了泛化能力。经合成数据指导的特征干预模型(FIM)实现了可靠的活动识别：行走平均F1分为0.896，站立为0.927，坐卧为0.997，躺卧为0.937，体位转换分为0.816。与无合成数据的对照模型相比，FIM显著改善了体位转换检测——即高临床相关性且在现有HAR文献中常被忽视的活动类别。总之，这些初步结果表明了在老年人群中实现稳健活动识别的可行性。进一步在骨折患者人群中进行验证，以评估所提出监控系统的临床实用性。
引用
@article{arxiv.2601.17053,
title = {Synthetic Data Guided Feature Selection for Robust Activity Recognition in Older Adults},
author = {Shuhao Que and Dieuwke van Dartel and Ilse Heeringa and Han Hegeman and Miriam Vollenbroek-Hutten and Ying Wang},
journal= {arXiv preprint arXiv:2601.17053},
year = {2026}
}
备注
This paper has been submitted to Nordic Conference on Digital Health and Wireless Solutions 2026, currently under review