一种基于物联网的CRNN框架，用于体育课中基于可穿戴传感器的安全活动识别

更智能的健身追踪为何重要

我们大多数人现在都戴着能计步、监测心率甚至估算睡眠的设备。但在这些友好的图表背后存在一个难题：手环或传感器衬衫如何可靠地区分你是在走路、冲刺、骑行还是在玩游戏？本文探索了一种读取这些设备数据流的新方法，以便更准确地识别身体活动，特别关注其如何改善体育教学和运动训练。

从简单计步器到互联的体育课堂

可穿戴设备早已不仅仅是简单的计步器。如今的设备能测量三维运动、身体旋转、罗盘方向、皮肤温度和心脏行为，并通过物联网（IoT）将这些数据发送到强大的计算设备。在学校和训练中心，这意味着教练和教师理论上可以同时监控许多学生，跟踪他们的运动强度和动作方式。然而，目前大多数系统仍难以应对嘈杂的现实世界数据，常常对复杂活动标注错误，这限制了它们在精细化指导、公平评估或伤害预防方面的实用性。

对运动的新型数字观察

作者提出了一种将可穿戴数据视为空间模式与时间模式的活动识别框架。他们基于一种混合人工智能结构——卷积循环神经网络（Convolutional Recurrent Neural Network，CRNN）。模型的一部分在每个时间点上搜索跨传感器通道的有意义形态——比如加速度计、陀螺仪与心率信号如何共同呈现；另一部分沿时间轴观察这些模式如何在数秒内随人运动演变。通过结合这两种视角，系统能够区分那些短时间内看起来相似但展开方式不同的活动，例如快步走与慢跑。

系统如何“看”与“学”

在提出的设置中，学生（或在本研究中，公共数据集中代表的人）在身体多个部位佩戴传感器。这些传感器以每秒数十次的频率记录心率、体温、加速度、旋转和磁方向。原始数据流经过清洗以去除故障、平滑以降低噪声，并缩放以避免单一传感器主导模型。随后将数据切成短时间窗口，每个窗口标注该时间段内的主要活动。这些窗口构成了CRNN的训练材料，网络无需人工设计规则即可自动发现有用特征，并逐步学习将每段短信号映射到走路、跑步、骑行或玩耍等活动。

测试这位数字教练

为评估其方法是否真正提升了识别能力，作者使用其他研究者常用的公开可得可穿戴传感器数据集进行测试。他们将CRNN与多种替代方法进行比较，从支持向量机和随机森林等经典方法，到仅使用空间模式的卷积网络或仅使用时间模式的循环网络与Transformer等现代深度学习模型。在一系列指标上——总体准确率、真实活动被正确检测的频率以及系统误报的低频率——CRNN表现最佳。它对超过98%的测试样本正确识别活动，对每种活动类型都保持强劲表现，且在计算时间上并不过度开销，使其在近实时监测中具有可行性。

这对日常锻炼与教学意味着什么

研究表明，精心设计的AI模型可以将普通可穿戴设备转变为对我们运动更可靠的观察者。对于体育教学，这可能意味着对学生参与情况、锻炼强度及其技术随时间变化的客观、连续记录，同时通过物联网基础设施安全处理数据。尽管当前结果基于基准数据而非真实课堂试验，但它们表明结合空间与时间学习是解码人体活动的有力方案。经在真实学校和训练中心进一步测试后，此类系统可为教练和教育者提供值得信赖的数字助手——在一旁默默观察、学习并提供数据驱动的见解，帮助人们更好地运动并保持健康。

引用: Yuan, J., Zhang, Y. & Chen, B. An IoT-enabled CRNN framework for secure wearable sensor-based activity recognition in physical education. Sci Rep 16, 11953 (2026). https://doi.org/10.1038/s41598-026-42082-1

关键词: 可穿戴活动识别, 物联网, 体育教学技术, 深度学习传感器, 智能健身监测