WearableMil：面向军事活动识别与绩效监控的端到端框架
机器学习
2025-04-30 v3 人机交互
摘要
军事训练期间的肌肉骨骼伤害显著影响作战准备状态，因而通过活动监控进行预防至关重要。虽然利用可穿戴设备的人类活动识别 (HAR) 为解决此问题提供了前景，但面临连续数据流的处理和在无预定义会话的情况下识别多样化活动的挑战。本文介绍了一个用于军事训练情境下从可穿戴数据中进行预处理、分析和识别活动的端到端框架。该框架基于 135 名士兵在 6 个月内佩戴 \textit{Garmin--55} 智能手表，累计超过 1500 万分钟的数据。我们构建了分层深度学习方法，在时间切分上实现 93.8% 的准确率，在跨用户评估中实现 83.8% 的准确率。该框架通过生理学相关方法处理缺失数据，将未知睡眠状态比例从 40.38% 降至 3.66%。我们证明，较长时间窗口（45-60 分钟）可改善基础状态分类，但在检测细粒度活动方面存在权衡。此外，我们引入了直观的可视化系统，使军事教练能够实时比较个人绩效与群体指标在多个生理指标上的表现。这种活动识别与绩效监控方法为军事教练提供了用于优化训练项目和预防伤害的可操作性见解。
引用
@article{arxiv.2410.05452,
title = {WearableMil: An End-to-End Framework for Military Activity Recognition and Performance Monitoring},
author = {Barak Gahtan and Shany Funk and Einat Kodesh and Itay Ketko and Tsvi Kuflik and Alex M. Bronstein},
journal= {arXiv preprint arXiv:2410.05452},
year = {2025}
}