用于评估人体活动与强度识别中传感器布局的综合 IMU 数据集

为什么你的健身追踪器很在意它戴在哪儿

健身手表和计步器承诺记录从日常散步到健身房训练的一切。但在那些光滑表带之下，藏着一个出乎意料的棘手设计问题：应把传感器放在身体的哪个位置，既能捕捉到足够的运动信息，又不会让佩戴者像被连线的机器人一样笨拙？本研究引入了一个丰富的新数据集，帮助科学家正是回答这个问题，展示不同可穿戴布局如何读取我们的动作以及我们付出的努力强度。

许多追踪器，却有一个重要盲点

人体活动识别是一种基于运动数据推断你是在坐着、走路、跑步还是骑行的技术。相机也能做到这些，但佩戴式传感器更适合长期使用，且在家庭、诊所和日常场景中更能保护隐私。然而，多数现有用于该研究的数据集只在少数体位放置几个传感器——例如口袋里的手机或手腕上的单个腕带。这种有限的视角使得研究一个重要的权衡变得困难：为了在舒适与实用的前提下准确识别活动及其强度，究竟需要多少传感器、放置在哪里？

构建全身运动地图

为填补这一空白，研究人员从30名健康的年轻成人那里采集了运动数据，受试者执行了包括仰卧、坐、站、多种速度的行走、爬楼、骑行、跑步、跳跃和划船在内的12种常见活动。每位参与者佩戴了17个小型运动单元，按头到脚分布：头部、上背、下背、肩部、手臂、手腕、大腿、小腿和脚。这些单元以一致的全局坐标系记录每个身体段在三维空间中的运动，采样频率为每秒60次。团队还记录了身高和肢体长度等基本体格测量，并根据标准能量消耗表对活动类型及其努力水平进行了仔细标注，覆盖从静坐到剧烈的强度。

从原始运动到可识别模式

数据采集完成后，信号被切分成短时重叠窗口，时长范围从0.5秒到10秒不等。对于传统机器学习模型，研究团队将每个窗口提取为一组手工设计的特征，描述信号随时间与频率的行为，例如平均值、变异性和主导节律等。随后他们在两个任务上训练了四种常用模型——两种经典方法和两种深度学习网络：一是区分12种活动，二是将其分为四个努力级别。所有训练与测试都以受试者为单元进行划分：同一人的数据只出现在训练或测试中的一种角色，以确保模型学到的是普适模式，而不是记住某个人的动作风格。

真正重要的：时间窗口与放置位置

结果表明，凭借精心选择的特征，经典模型能够以约96–97%的准确率识别活动，对努力强度的判断甚至更可靠。直接以原始信号训练的深度学习模型表现接近，尤其在较短时间窗口上。跨越所有方法，约2–5秒的窗口在响应速度与分类可靠性之间取得了最佳平衡：既足够长以捕捉行走或划船的节奏，又足够短以适用于实时反馈。关于传感器放置位置，发现尤为显著——以下半身为中心的布局（臀部、大腿、小腿和脚）常常能匹配甚至超过全身覆盖的性能，尤其在判断强度方面。一组仅包含下背、大腿和小腿的三传感器最小配置仍能超过90%准确率，而单传感器配置，特别是放在手腕的位置，表现明显较差。

设计更聪明、更精简的可穿戴设备

这个新数据集表明，更多传感器并不总是更好：对于以双腿为主导的日常动作，一组紧凑且选位合理的传感器集可以媲美更复杂的系统。这一见解可指导未来可穿戴设备的设计，使其更轻、更便宜、更易使用，同时仍能可靠地跟踪人们在做什么以及他们付出的努力强度。通过公开完整数据集和代码，作者提供了一个试验平台，用于改进传感器布局、探索新算法，并最终将这些工具推广到老年人、患者和更复杂的真实世界场景。

引用: Feng, M., Zhang, Q. & Fang, H. A comprehensive IMU dataset for evaluating sensor layouts in human activity and intensity recognition. Sci Data 13, 317 (2026). https://doi.org/10.1038/s41597-026-06710-9

关键词: 可穿戴传感器, 人体活动识别, 惯性测量单元, 传感器放置, 身体活动强度