4、数据采集与标注：如何构建高质量标注数据集

智能穿戴设备的误报优化，本质上是一场数据驱动的工程实践。无论是剧烈运动导致的心率尖峰、松动佩戴引发的信号断续，还是传感器漂移造成的基线偏移，其根因都隐藏在原始传感器时序数据之中。若没有一套覆盖真实场景、标签定义清晰、经过严格清洗与平衡处理的标注数据集，任何算法优化都如同在流沙上筑塔。本章将系统拆解高质量标注数据集的构建全流程，从场景模拟到标签体系，从清洗规则到平衡策略，为后续模型训练与规则调优奠定数据基石。

4.1 真实场景模拟：让数据“长”在用户手腕上

实验室环境采集的数据往往过于“干净”，无法触发误报的临界条件。真实场景模拟的核心原则是“以误报触发条件为导向”，即先分析历史误报日志，反推需要覆盖的物理场景，再设计采集协议。以心率误报为例，典型触发条件包括：手臂高频摆动（跑步摆臂频率2.5-3.5Hz）、腕带与皮肤间隙超过2mm（松动）、传感器窗口被汗液或污渍遮挡（光学路径改变）、以及温度骤变导致的基线漂移（如从空调房到户外）。

采集方案应包含三个层次：受控实验室模拟（使用机械臂模拟规律摆动，可重复性强）、半自然场景（受试者按脚本执行特定动作序列，如“快走30秒→突然加速跑→急停→甩手”）、完全自由生活（受试者佩戴一周，记录日常活动，通过日志标注特殊事件）。对于松动佩戴场景，建议使用不同腕围的受试者，并在采集过程中人为调整表带松紧度，同时记录佩戴松紧等级（紧/正常/松/极松）作为辅助标签。

4.2 标签定义：从“好/坏”到多维语义

标签体系的设计直接决定模型能学到什么。对于误报优化任务，建议采用三级标签结构：一级标签为信号质量类别（0-正常，1-运动伪迹，2-松动伪迹，3-传感器漂移，4-其他异常）；二级标签为具体行为上下文（跑步、跳绳、挥拍、打字、睡眠等）；三级标签为置信度评分（1-5分，5分表示标注员完全确定）。这种结构允许模型在不同粒度上学习，例如先判断“是否异常”，再判断“属于哪类异常”，最后结合上下文修正。

标注时间粒度建议采用滑动窗口+事件标记结合的方式。滑动窗口固定为2秒（步进1秒），每个窗口赋予一个主标签；同时记录事件起止时间戳（如“松动开始于12:03:15，结束于12:03:22”）。对于边界模糊的样本（如从正常到松动的过渡段），应单独标记为“过渡态”，避免强制二分类造成标签噪声。标注工具推荐使用ELAN或自研Web标注平台，支持波形缩放、频谱叠加显示、多通道同步回放。

多标注员一致性是标签质量的生命线。建议至少2名标注员独立标注同一批数据（约10%的样本），计算Cohen's Kappa系数。若Kappa低于0.8，需重新培训标注员并细化标注规则。对于争议样本，由专家仲裁并记录仲裁理由，形成“标注规则版本日志”。

4.3 数据清洗：剔除“脏数据”而不误伤“难样本”

数据清洗的目标是去除物理上不可能或传感器硬件故障产生的数据，但必须保留那些“看似异常但真实存在”的误报触发样本。清洗流程分为四步：物理合理性校验、信号质量指数（SQI）计算、时间戳对齐修复、人工复核。

物理合理性校验包括：加速度幅值是否超过±16g（硬件量程）、PPG值是否超出[0, 4095] ADC范围、连续相同值是否超过1秒（传感器死锁）、相邻采样点跳变是否超过阈值（尖峰噪声）。SQI计算综合时域和频域特征，例如PPG信号的峰谷比、加速度计高频能量占比、信号熵值。建议设定SQI阈值（如0.6），低于阈值的窗口标记为“低质量”，但不直接删除——而是单独存放，用于测试模型在极端噪声下的鲁棒性。

# 伪代码：SQI计算与清洗决策
def compute_sqi(acc_x, acc_y, acc_z, ppg):
    # 时域特征：峰谷差、方差、过零率
    ppg_peak_valley = np.ptp(ppg)
    acc_energy = np.sqrt(acc_x**2 + acc_y**2 + acc_z**2).mean()
    # 频域特征：高频占比（>5Hz）
    fft_ppg = np.fft.fft(ppg)
    high_freq_ratio = np.sum(np.abs(fft_ppg[5:])) / (np.sum(np.abs(fft_ppg)) + 1e-6)
    # 综合评分
    sqi = 0.4 * (ppg_peak_valley / 2000) + 0.3 * (1 - high_freq_ratio) + 0.3 * min(acc_energy / 3.0, 1.0)
    return np.clip(sqi, 0, 1)

# 清洗决策：SQI < 0.3 且 非目标场景 → 剔除；SQI < 0.3 但属于目标误报场景 → 保留并标记
if sqi < 0.3 and label not in ['motion_artifact', 'loose_artifact']:
    drop_window()
else:
    keep_window(mark_low_quality=True)

时间戳对齐问题常被忽视。多传感器（ACC/GYRO/PPG）可能由不同芯片驱动，存在微秒级延迟。若不对齐，特征提取时会出现“加速度计领先PPG 20ms”的系统误差。建议使用互相关法估计延迟，并重采样至统一时间基准。清洗完成后，应统计各标签类别的样本量分布，为平衡策略提供输入。

4.4 平衡策略：让模型“见过”足够多的误报样本

真实场景中，“正常”样本远多于“误报”样本，比例可能达到50:1甚至更高。若不处理，模型会倾向于将所有样本预测为“正常”，从而获得极高准确率但零召回率。平衡策略的目标是让训练集中各类别比例可控，同时不丢失真实分布信息。

常用方法包括：欠采样（随机丢弃多数类样本，适用于多数类冗余场景）、过采样（复制少数类样本，简单但易过拟合）、SMOTE合成（在少数类样本的特征空间内插值生成新样本，适用于特征维度较低的场景）、分段加权（在损失函数中为少数类样本赋予更高权重，不改变数据分布）。对于时序数据，推荐窗口级SMOTE变体——在保持时间连续性的前提下，对窗口内特征做小幅扰动（如添加高斯噪声、时间轴微伸缩）。

跨受试者划分是另一个关键点。同一受试者的数据高度相关（皮肤特性、佩戴习惯、运动模式），若训练集和验证集包含同一受试者的不同时段数据，模型可能“记住”个体特征而非泛化规律。推荐采用Leave-One-Subject-Out (LOSO)交叉验证，或至少保证训练集与验证集的受试者无重叠。

4.5 案例拆解：从误报日志到平衡数据集的完整闭环

背景与约束：某健康手环产品收到用户投诉，称“跳绳时心率从120bpm瞬间跳到185bpm，持续10秒后回落”。工程师分析日志发现，该误报由PPG信号被跳绳时手腕旋转产生的周期性遮挡触发。团队需构建一个包含此类场景的标注数据集，用于训练异常检测模型。

初始现象与目标：现有数据集包含500小时正常数据，但仅有2小时跳绳数据（且未标注）。目标是在2周内构建一个包含至少10小时跳绳场景、5小时松动场景、3小时漂移场景的标注数据集，并完成清洗与平衡。

关键输入数据与参数：原始日志显示误报时加速度计Z轴频谱在2.8Hz处有强峰（跳绳频率），PPG信号出现周期性“凹陷”（遮挡）。采集时使用同一型号手环，采样率ACC 100Hz、PPG 50Hz，受试者腕围14-18cm。

分析判断过程：团队决定采用“脚本化采集+自由生活补充”双轨方案。脚本化采集设计5种跳绳节奏（慢速60次/分、中速90次/分、快速120次/分、双摇、交叉跳），每种持续5分钟，中间穿插30秒休息。同时安排3名受试者佩戴手环进行自由跳绳，并通过手机App记录开始/结束时间。松动场景通过调整表带扣位实现（正常→松一格→松两格），并让受试者做甩手、挥臂动作。

实际操作步骤：① 设计采集App，同步记录ACC/GYRO/PPG数据和视频（用于标注参考）；② 招募12名受试者，完成知情同意；③ 执行脚本化采集（每人约1.5小时），同时记录佩戴松紧等级；④ 自由生活采集持续3天，要求受试者每天跳绳至少10分钟；⑤ 标注团队使用ELAN对视频和波形同步标注，一级标签区分“正常/运动伪迹/松动伪迹/漂移”，二级标签记录具体动作；⑥ 计算标注一致性，Kappa=0.85，对争议样本（主要出现在“松动”与“运动伪迹”边界）进行专家仲裁，补充标注规则（如“若PPG信号在遮挡后1秒内恢复，判为运动伪迹；若持续衰减超过3秒，判为松动伪迹”）。

结果对比：清洗前原始数据共180小时，清洗后保留152小时（剔除15%低质量数据）。类别分布从最初的“正常:异常=45:1”平衡至“正常:异常=5:1”（通过SMOTE合成和欠采样结合）。使用平衡后数据集训练一个1D-CNN模型，在保留的真实分布验证集上，误报率从优化前的8.2次/天降至1.5次/天，召回率从0.32提升至0.78。

风险与代价：SMOTE合成样本可能引入不真实的特征组合，导致模型在极端场景下误判。为此，团队保留了一个“纯真实样本”测试集（不包含合成样本），确保模型在真实数据上的表现不退化。此外，标注成本较高（12人×3天×2小时），但相比后续算法返工，这笔投入是值得的。

复盘经验：① 场景模拟必须基于真实误报日志反推，不能凭空设计；② 标签规则需要“活文档”管理，随争议样本不断细化；③ 平衡策略不是一次性操作，而是随模型误报分析持续迭代——每次模型在验证集上发现新的误报模式，就应补充对应场景的数据。

4.6 常见误区与总结复盘

• 误区一：只采集“干净”数据。忽略临界状态（如半松动、微汗液遮挡）会导致模型在真实世界失效。解决：主动制造“灰色地带”样本，并标注过渡态。
• 误区二：标签粒度过粗。仅标注“正常/异常”无法定位根因。解决：采用三级标签结构，保留行为上下文和置信度。
• 误区三：清洗时误删“难样本”。低SQI样本可能正是误报触发条件。解决：将低质量样本单独存放，用于鲁棒性测试。
• 误区四：平衡策略污染验证集。对验证集做过采样会导致评估指标虚高。解决：验证集保持真实分布，仅对训练集做平衡。
• 误区五：忽视时间戳对齐。多传感器延迟会导致特征错位。解决：采集时记录各芯片时间戳，离线做互相关对齐。

总结而言，高质量标注数据集的构建是一个“场景驱动—标签精细—清洗审慎—平衡有度”的系统工程。它需要算法工程师、硬件工程师和标注团队紧密协作，且必须建立数据版本管理机制（如DVC），确保每次迭代可追溯。当数据集能够真实反映误报触发条件时，后续的模型训练和规则优化才能事半功倍。