2、活动识别基础：人类活动识别（HAR）的定义、常见活动类别（步行、跑步、跌倒）及典型应用场景
人类活动识别（Human Activity Recognition，HAR）是普适计算与可穿戴设备领域的核心基础技术，其目标是通过传感器数据自动判断人体当前所处的物理动作状态。在TinyML的语境下，HAR不再依赖云端服务器，而是直接在微控制器（MCU）上完成数据采集、特征提取与模型推理，从而实现毫瓦级功耗下的实时行为感知。本章将系统阐述HAR的基本定义、面向TinyML的常见活动类别划分，以及跌倒检测这一特殊场景的工程挑战，为后续章节中基于IMU（惯性测量单元）的数据集构建与模型训练奠定理论基础。
2.1 人类活动识别的核心定义与技术边界
人类活动识别（HAR）本质上是一个时间序列模式分类问题：给定一段由可穿戴传感器（通常是加速度计和陀螺仪）采集的连续信号，系统需要将其映射到预定义的活动类别标签上。在TinyML场景下，这一过程被严格约束在资源受限的嵌入式环境中——通常仅有几十KB的RAM和几百KB的Flash存储空间，且要求毫瓦级功耗。因此，TinyML HAR并非简单地将云端深度学习模型压缩，而是需要从数据采集策略、特征设计到模型架构进行全链路协同优化。
从信号处理角度看，人体活动产生的惯性信号具有显著的频域和时域特征。例如，步行时垂直轴加速度呈现约1.5-2.5Hz的周期性波动，跑步时该频率提升至2.5-4Hz且幅值显著增大，而跌倒则表现为短时间内（通常200-500ms）加速度幅值的剧烈冲击（常超过3g），随后伴随一段静止或姿态改变。这些物理特征为轻量级特征工程提供了理论依据，使得随机森林、决策树或小型卷积神经网络（CNN）在MCU上即可达到90%以上的分类准确率。
2.2 常见活动类别：步行、跑步与跌倒的物理特征对比
在TinyML HAR系统中，活动类别的选择直接影响模型复杂度与实用性。本课程聚焦于三种最具代表性的活动：步行（Walking）、跑步（Running）和跌倒（Falling）。下表从物理特征、信号形态和识别难度三个维度进行对比：
| 活动类别 | 加速度幅值范围 | 主频范围 | 信号周期性 | 典型持续时间 | 识别难度 |
|---|---|---|---|---|---|
| 步行 | ±1g ~ ±2g | 1.5 - 2.5 Hz | 强周期性 | 数分钟至数小时 | 低（基线活动） |
| 跑步 | ±2g ~ ±4g | 2.5 - 4.0 Hz | 强周期性但噪声大 | 数分钟至数十分钟 | 中（与快走混淆） |
| 跌倒 | 瞬间冲击 > 3g，随后回落 | 宽频（冲击信号） | 无周期性 | 200ms - 1s（冲击段） | 高（需区分弯腰/坐下） |
值得注意的是，跌倒检测在HAR中具有特殊性：它属于罕见事件检测。在真实场景中，跌倒发生的概率极低（例如一位老人可能数月才跌倒一次），但漏报的代价极高。这要求模型在训练时采用特殊的数据增强策略（如合成跌倒数据）和阈值调整方法，以在召回率与误报率之间取得平衡。
2.3 典型应用场景与工程约束
HAR技术的落地场景直接决定了系统设计指标。以下是三个最具代表性的TinyML HAR应用方向及其工程约束：
- 老年人跌倒监测（医疗健康）：要求设备24小时佩戴，电池续航至少7天，跌倒检测延迟小于3秒，误报率低于每天1次。通常采用腰带或胸贴式佩戴，传感器采样率50-100Hz即可满足需求。
- 运动手环/手表（消费电子）：需要区分步行、跑步、骑行、游泳等多种活动，对实时性要求高（延迟<1秒），但允许较高的误报率（用户可手动纠正）。采样率通常为25-50Hz以降低功耗。
- 工业安全监测（高危作业）：监测工人是否突然倒地或进入危险姿态，要求极高的鲁棒性（适应不同体型和作业动作），且需在强振动、电磁干扰等恶劣环境下工作。通常采用多传感器融合（加速度计+气压计）。
2.4 案例拆解：从加速度波形到活动分类的完整判断流程
为帮助理解HAR的实际工作过程，我们以一个典型的跌倒检测场景为例，展示从原始信号到最终决策的完整链路。假设设备佩戴于腰部，加速度计采样率为50Hz，滑动窗口长度为4秒（200个采样点）。
场景设定：一位独居老人在家中从沙发上站起时突然头晕跌倒，随后躺在地板上约10秒后自行坐起。系统需要在这10秒内发出警报。
信号分析过程：
- 窗口滑动与特征计算：系统每0.5秒滑动一次窗口，计算当前4秒窗口内的信号向量幅值（SVM，即三轴加速度的平方和开方）。正常站立时SVM约为1g（重力加速度），跌倒瞬间SVM会迅速攀升至3g以上。
- 冲击检测：当检测到SVM超过2.5g阈值时，触发“疑似跌倒”状态，系统开始记录冲击后的信号特征。
- 姿态确认：跌倒后人体通常处于水平或接近水平姿态。系统检查冲击后2秒内的平均倾角（通过加速度计计算），若倾角大于60度（即身体与地面夹角小于30度），则进一步确认跌倒。
- 静止判定：若冲击后信号方差低于阈值（表示人体未在移动），且持续超过3秒，则判定为“跌倒后静止”，触发警报。
下表展示了该案例中关键时间点的信号特征：
| 时间点 | SVM峰值 | 倾角 | 信号方差 | 系统状态 |
|---|---|---|---|---|
| T=0s（站立） | 1.0g | 5° | 0.02 | 正常监测 |
| T=0.8s（跌倒冲击） | 3.8g | 45° | 0.85 | 触发冲击检测 |
| T=1.5s（倒地后） | 1.1g | 78° | 0.01 | 确认姿态改变 |
| T=4.0s（静止） | 1.0g | 80° | 0.005 | 触发警报 |
结果与复盘：该系统在4秒内完成了跌倒检测，满足3秒延迟要求。但复盘发现，若老人跌倒后立即坐起（而非静止），系统可能漏报。因此，实际部署时需增加“跌倒后活动”状态识别，或结合陀螺仪的角速度变化来区分“跌倒后坐起”与“正常坐下”。这一案例说明，HAR系统设计必须考虑动作的连续性和上下文信息，而非仅依赖单一特征阈值。
2.5 常见误区与设计要点总结
在TinyML HAR项目的初始阶段，开发者常陷入以下误区，导致后续模型性能不佳：
- 误区一：采样率越高越好。实际上，对于步行/跑步识别，25-50Hz采样率已足够，过高采样率只会增加功耗和计算负担。跌倒检测可适当提高至100Hz，但需权衡电池寿命。
- 误区二：直接使用原始数据训练深度学习模型。在TinyML场景下，原始数据维度高、噪声大，直接训练需要较大的模型容量。建议先提取时域/频域特征（如均值、方差、FFT峰值），再用轻量级模型（如决策树、逻辑回归）进行分类。
- 误区三：忽略传感器校准。加速度计存在零偏和尺度误差，不同设备间差异明显。在部署前必须进行静态校准（将设备平放，采集重力向量作为参考），否则特征值偏移会导致误分类。
- 误区四：跌倒检测只关注冲击峰值。许多日常动作（如猛坐椅子、跳跃落地）也会产生高g值冲击。必须结合姿态变化和后续静止状态进行综合判断，才能有效降低误报。