李華昊，郇 戰(zhàn)，耿宏楊，陳 瑛，高 歌，李志新，周幫文，王云良

(1.常州大學(xué) 計(jì)算機(jī)與人工智能學(xué)院 阿里云大數(shù)據(jù)學(xué)院，江蘇 常州 213164；2.常州機(jī)電職業(yè)技術(shù)學(xué)院 信息工程系，江蘇 常州 213164)

0 引 言

近年來，隨著微型處理器和集成電路的快速發(fā)展，計(jì)算能力更強(qiáng)、體積更小的傳感器和移動(dòng)電子設(shè)備得到了發(fā)展。基于傳感器和移動(dòng)設(shè)備的應(yīng)用在智能家居、行為監(jiān)控、養(yǎng)老和體感游戲等人類日常生活中發(fā)揮著重要作用。隨著可穿戴技術(shù)的飛速發(fā)展，基于傳感器慣性數(shù)據(jù)的人類行為識別研究(human activity recognition system, HARS)越來越受到人們的關(guān)注[1]。其中，在智能醫(yī)療保健應(yīng)用，例如身體狀況檢測，老人和殘疾病人的健康監(jiān)測和身體健康狀況評估等領(lǐng)域都取得不錯(cuò)的成就[2]。

基于計(jì)算機(jī)視覺的技術(shù)和環(huán)境傳感器已經(jīng)被廣泛應(yīng)用于人類步態(tài)識別，但是這些方式也有缺點(diǎn):①由于光照條件、服裝類型和背景顏色等原因，視頻數(shù)據(jù)可能會(huì)被遮擋，進(jìn)一步的視頻錄制會(huì)在很多情況下引發(fā)隱私問題；②許多環(huán)境傳感器需要基礎(chǔ)設(shè)施的支持，例如在監(jiān)測區(qū)域安裝攝像機(jī)。與其他人類行為數(shù)據(jù)采集設(shè)備相比，慣性傳感器體積小，佩戴方便，具有保護(hù)個(gè)人隱私的功能。

基于慣性傳感器的步態(tài)識別研究在多個(gè)領(lǐng)域取得良好的成績。文獻(xiàn)[3]使用隱馬爾科夫模型(hidden Markov model,HMM)，結(jié)合支持向量機(jī)(support vector machines, SVM)對傳統(tǒng)的隱馬爾可夫模型進(jìn)行改進(jìn)，對不同的人類步態(tài)類別具有良好的識別效果。文獻(xiàn)[4]采用卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network, CNN)進(jìn)行特征學(xué)習(xí)的方法相比于基線模型動(dòng)作分類的速度和效率明顯提高。例如文獻(xiàn)[5]采用4個(gè)加速度計(jì)，分別固定在胸、腕、大腿、小腿，對躺、坐等9個(gè)動(dòng)作進(jìn)行識別。文獻(xiàn)[5]提出了一個(gè)神經(jīng)網(wǎng)絡(luò)模型來分類人類步態(tài)類別，利用鄰域成分分析的特征選擇方法從可用的時(shí)間域和頻率域參數(shù)中選擇重要的特征子集，達(dá)到了95.79%的分類精準(zhǔn)率。文獻(xiàn)[6]通過設(shè)計(jì)一個(gè)分類器集成的強(qiáng)度對等物，提出了一個(gè)框架來詳細(xì)識別靜態(tài)和動(dòng)態(tài)步態(tài)類別，根據(jù)神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)集的輸出性能，確定基分類器的權(quán)重，達(dá)到94%以上的識別準(zhǔn)確率。文獻(xiàn)[8]分析了基于iPhone加速度計(jì)和回轉(zhuǎn)儀的步態(tài)特征，提出了一種新的步態(tài)識別方法，對數(shù)據(jù)集進(jìn)行處理，提取步態(tài)特征參數(shù)，包括步態(tài)頻率、對稱系數(shù)、動(dòng)態(tài)范圍和特征曲線的相似系數(shù)，并提出了一種基于步態(tài)特征參數(shù)的加權(quán)表決方案用于步態(tài)識別。文獻(xiàn)[9]提出了一種從RGB數(shù)據(jù)(一種圖像數(shù)據(jù)格式)中識別人類活動(dòng)的方法，注意模塊學(xué)習(xí)預(yù)測的瞥見序列，共同進(jìn)行運(yùn)動(dòng)跟蹤和活動(dòng)預(yù)測，利用外部記憶模塊優(yōu)化空間、時(shí)間和特征空間的一致性分類。文獻(xiàn)[10]提出了將時(shí)空卷積分解為深度可分離的時(shí)間卷積和多尺度的時(shí)間卷積，降低了三維卷積的復(fù)雜度，證明它比2+1D卷積更適合于長期時(shí)間建模。文獻(xiàn)[11]提出了一種新的池化方法，核化的秩池化，將給定的序列緊密地表示為再現(xiàn)核希爾伯特空間中超平面參數(shù)的前像，數(shù)據(jù)的投影捕捉到它們的時(shí)間順序，并證明了這種池化方案可以被轉(zhuǎn)換為一個(gè)順序約束的核主成分分析目標(biāo)。文獻(xiàn)[12]探討了智能手機(jī)內(nèi)置的三軸加速度計(jì)和陀螺儀在識別人體身體活動(dòng)方面的能力，提出了一種新的特征選擇方法，以選擇可判別的特征子集，構(gòu)建具有較強(qiáng)泛化能力的在線活動(dòng)識別系統(tǒng)，降低智能手機(jī)功耗。

本課題研究內(nèi)容針對來自慣性傳感器的加速度計(jì)和陀螺儀的連續(xù)行為信號分割和識別，并提出相對應(yīng)的研究算法。擬解決的關(guān)鍵問題是如何從一段連續(xù)多個(gè)動(dòng)作的時(shí)間信號中準(zhǔn)確地識別出各個(gè)行為序列片段。對此關(guān)鍵問題。論文的主要貢獻(xiàn)如下。

1)語音信號和慣性信號都是由人類的身體運(yùn)動(dòng)產(chǎn)生的，它們有重要的相似之處。從語音信號識別方法引入梅爾倒譜系數(shù)特征等頻域分析方法，對慣性傳感器信號進(jìn)行人類行為識別，解決時(shí)域系統(tǒng)容易忽略的特征和其他內(nèi)容。

2)計(jì)算頻域特征的一二階delta系數(shù)，并將其和傳統(tǒng)特征進(jìn)行多組組合，用不同分類器驗(yàn)證不同組合的特征對原特征識別結(jié)果的改善效果。

1 相關(guān)工作

現(xiàn)階段大多數(shù)基于慣性傳感器行為研究已經(jīng)取得讓人振奮的顯著成果，但是仍然存在2點(diǎn)主要問題：①這些研究工作主要致力于獨(dú)立的單個(gè)動(dòng)作識別,例如走、站、坐、跑等，但是，真正的人類日?；顒?dòng)往往是復(fù)雜的、連續(xù)的；②這些研究局限于慣性傳感器時(shí)間信號的時(shí)域特征和峰度偏度等簡單頻域特征，沒有深入研究時(shí)間信號序列的頻域特征。例如，文獻(xiàn)[13]克服固定滑動(dòng)窗口分割局限性問題，提出自適應(yīng)的滑動(dòng)窗口方法，根據(jù)窗口內(nèi)動(dòng)作的概率大小自適應(yīng)地拓展窗口，以提高分類準(zhǔn)確性，并取得很好的識別率。該算法需要選定基礎(chǔ)的固定窗口，且只能動(dòng)態(tài)放大，如果可以自適應(yīng)地放大縮小，就可以更加精細(xì)地分割動(dòng)作邊界。文獻(xiàn)[14]提出了一種利用人體佩戴的無線加速度計(jì)的精確活動(dòng)識別系統(tǒng)，用于患者監(jiān)測的實(shí)際應(yīng)用,利用單臺安裝在腰部的三軸加速度計(jì)的數(shù)據(jù)，將步態(tài)事件分類為6種日常生活活動(dòng)和過渡事件，總體準(zhǔn)確性約為98%。對每個(gè)個(gè)體活動(dòng)的準(zhǔn)確性也超過95%。

近幾年，出現(xiàn)了越來越多的研究試圖彌補(bǔ)這些不足之處，某些研究使用語音識別系統(tǒng)的方法來解決人類行為識別的問題。梅爾頻率倒譜系數(shù)(Mel-frequency cepstrum coefficents, MFCC)是語音處理中最流行和常用的頻率特征之一。MFCC技術(shù)將分析分辨率集中在低頻上。在較高的頻率，特別是在1 000 Hz以上的頻率中，人類的語音感知較不敏感。正因?yàn)槿绱?，Mel刻度規(guī)定了高達(dá)1 000 Hz的線性度和高于1 000 Hz的對數(shù)度。相關(guān)信息包含在信號的靜態(tài)和動(dòng)態(tài)特性中。因此,在MFCC的基礎(chǔ)上,可以計(jì)算一階delta系數(shù)和二階delta系數(shù)。

文獻(xiàn)[15]提出了一種適用于語音處理的特征，即梅爾頻率倒頻譜系數(shù)(MFCCs)和感知線性預(yù)測(perceptual linear prediction,PLP)系數(shù)，還考慮和評估了相對光譜(relative spectra transform,RASTA)濾波或delta系數(shù)等特性。基于隱馬爾可夫模型(HMMs)的人類行為識別和分割(human behavier recognition and segmentation,HARS)系統(tǒng)已經(jīng)將這些適應(yīng)性納入其中，用于識別和分割不同的身體行為。文獻(xiàn)[16]提出了一種基于多加速度計(jì)的小波行為分類方法，該方法將動(dòng)態(tài)運(yùn)動(dòng)分量與重力分量分離，準(zhǔn)確率達(dá)到98.4%。文獻(xiàn)[17]使用的加速度計(jì)信號的標(biāo)準(zhǔn)測量值是平均值、相關(guān)、信號幅度面積(signal magnitade area,SMA)和自回歸系數(shù)，采用神經(jīng)網(wǎng)絡(luò)作為活動(dòng)識別的分類器，提出了特征子集選擇方法，以確定有效的特征子集和緊湊的分類器結(jié)構(gòu)，并具有滿意的精度。

2 模型框架

圖1顯示了本工作中使用的HARS系統(tǒng)的總體架構(gòu)。該系統(tǒng)由信號預(yù)處理、滑動(dòng)窗口分割、特征提取和分類器識別4個(gè)主要模塊或步驟組成。

圖1 HARS系統(tǒng)的總體架構(gòu)

2.1 預(yù)處理和分割

在利用可穿戴式傳感器采集過程中任何輕微的干擾都會(huì)對得到的運(yùn)動(dòng)數(shù)據(jù)產(chǎn)生不可避免地噪聲和異常值，例如信號傳輸錯(cuò)誤，外界的電磁干擾等[18]。針對信號中存在的噪聲，使用 3 階巴特沃思濾波器去除基線漂移噪聲[19]。可以計(jì)算傳感器慣性信號序列的功率譜密度來選擇截止頻率[20]。

滑動(dòng)窗口法用于分割識別，被廣泛應(yīng)用于 HAR 研究，使分割的步行、跑步、站立、坐姿、上樓梯和下樓梯等動(dòng)作有很好的識別效果[21-22]。使用滑動(dòng)窗口方式提取6個(gè)基本動(dòng)作信號，然后每個(gè)窗口提取若干個(gè)統(tǒng)計(jì)特征。

2.2 特征提取

2.2.1 傳統(tǒng)特征

對每個(gè)窗口的 14 組數(shù)據(jù)中每一組提取包含 5 組時(shí)域特征(均值、標(biāo)準(zhǔn)差、最大值、最小值和過零點(diǎn)個(gè)數(shù))和 4 組頻域特征(均值、方差、偏度和峰度)。

2.2.2 梅爾倒譜系數(shù)和一二階delta系數(shù)

在過去的幾十年里，語音人員識別、語音內(nèi)容識別、生物特征識別等方面都有了重要的發(fā)展。語音信號和慣性信號都是由人類的身體運(yùn)動(dòng)產(chǎn)生的，所以它們有重要的相似之處。①2種類型的信號都包含在頻域中的相關(guān)信息。目前，絕大多數(shù)的語音處理系統(tǒng)都使用從頻域[23]得到的特征。從人體運(yùn)動(dòng)中提取的慣性信號也包含了相應(yīng)的頻域信息；②2種信號在低頻率上有能量集中。這些類型的信號有不同的頻率范圍，但在語音信號和慣性信號中，信號能量集中在頻率范圍的低部分。對于人體運(yùn)動(dòng)，已經(jīng)提出了幾種頻率翹曲方案來考慮在低頻率下更高的分辨率[24]；③這些信號具有低再現(xiàn)性，即一個(gè)人不同時(shí)間念同一個(gè)句子會(huì)產(chǎn)生不同的信號。慣性信號也會(huì)產(chǎn)生類似的效果:一個(gè)人在不同的時(shí)間進(jìn)行相同的行為(比如行走)，會(huì)產(chǎn)生不同的信號。基于這些信號的識別系統(tǒng)必須能夠在接受某些信號的訓(xùn)練和不同信號(來自相同或不同的人)的測試時(shí)正常工作。因此，特征提取模塊必須獲得靈活的頻率模式，以處理訓(xùn)練和測試場景之間的差異。

語音處理中最常用的特征提取方法有梅爾頻率倒譜系數(shù)(MFCC)、線性預(yù)測系數(shù)(linear prediction coefficient, LPC)、LPC導(dǎo)數(shù)或線性預(yù)測倒譜系數(shù)(linear prediction cepstrum coefficient, LPCC)和感知線性預(yù)測倒譜系數(shù)(perceptual linear predictive, PLP)[25]。

預(yù)加重是一種補(bǔ)償快速衰減的語音頻譜的方法。但在慣性傳感器數(shù)據(jù)處理過程中，這種補(bǔ)償可能是不必要的。在慣性信號中，頻率范圍比語音小。保留了漢明加窗和快速傅里葉變換步驟，因?yàn)檫@2個(gè)步驟對任何基于頻率的信號處理方法都很重要。

在MFCC特征中加入時(shí)間導(dǎo)數(shù)可以大大提高語音識別系統(tǒng)的性能[26]。信號導(dǎo)數(shù)可以提供信號演化的信息。根據(jù)這一想法，修改后的MFCC得到了delta和delta-delta系數(shù)的補(bǔ)充。delta系數(shù)為

(1)

(1)式中：dt是t時(shí)刻的delta系數(shù)，由對應(yīng)的靜態(tài)系數(shù)Ct-n到Ct+n計(jì)算得到。MFCC特征只描述單幀的功率譜包絡(luò)，即MFCC系數(shù)隨時(shí)間的軌跡。delta系數(shù)可以通過下面的公式計(jì)算。將delta系數(shù)補(bǔ)充MFCC向量上得到是長度為原來MFCC向量2倍的一個(gè)新的特征向量。delta-delta系數(shù)是用同樣的方法，由delta計(jì)算得到。

圖2 計(jì)算MFCCs和提取傳統(tǒng)特征的主要步驟

2.3 分類器

本文選取隨機(jī)森林(random forest)分類器。隨機(jī)森林具有算法清晰，實(shí)現(xiàn)難度低，節(jié)約計(jì)算成本等優(yōu)點(diǎn)，同時(shí)性能良好。運(yùn)行流程程如下：①從樣本集中利用有放回的重采樣，采集出a個(gè)樣本；②從所有的特征屬性中隨機(jī)選用k個(gè)屬性，并且選擇最佳分割屬性并且建立CART決策樹；③重復(fù)步驟①,②，共重復(fù)b次，建立起b棵CART決策樹；④b棵CART決策樹形成隨機(jī)森林，并且通過投票法決定數(shù)據(jù)所屬于的類別。

3 實(shí)驗(yàn)及結(jié)果分析

3.1 數(shù)據(jù)集介紹

論文的實(shí)驗(yàn)數(shù)據(jù)來源于加州大學(xué)歐文分校機(jī)器學(xué)習(xí)存儲(chǔ)庫中的“使用智能手機(jī)進(jìn)行人類活動(dòng)識別(HARuS)”數(shù)據(jù)集。該數(shù)據(jù)集包含30位年齡段在19—48歲的志愿者，每一位志愿者在腰間佩戴智能手機(jī)(三星 Galaxy S II)進(jìn)行連續(xù)的6個(gè)活動(dòng)(步行，上樓梯，下樓梯，坐，站，躺)。使用其嵌入式加速度計(jì)和陀螺儀，以 50 Hz 的恒定速率采樣 3 軸線性加速度和 3 軸角速度。數(shù)據(jù)集包含 13 182 s的記錄，包括來自 30 個(gè)用戶的 60 個(gè)傳感器數(shù)據(jù)樣本[27]。

3.2 分類訓(xùn)練

3.2.1 數(shù)據(jù)預(yù)處理

首先計(jì)算HARuS 數(shù)據(jù)集中的動(dòng)作數(shù)據(jù)的功率譜密度(PSD)，如圖3，給出了加速度X軸信號和角速度X軸的PSD曲線，可以看出，信號能量主要分布在0～15 Hz，大于15 Hz的部分逐漸趨于0，所以截止頻率設(shè)置為15 Hz。

圖3 X軸功率譜密度曲線

針對信號中存在的噪聲，使用 3 階巴特沃茲濾波器去除基線漂移噪聲，截止頻率設(shè)置為15 Hz，濾波效果如圖4。圖4顯示某一個(gè)樣本的一段加速度序列，其中，虛線為慣性傳感器初始某一軸序列，實(shí)線為該軸經(jīng)過濾波后的序列。

圖4 濾波前后對比

3.2.2 滑動(dòng)窗口分割

使用若干種不同長度的滑動(dòng)窗口，以 50%重疊的方式提取6個(gè)基本動(dòng)作信號，然后每個(gè)窗口提取若干個(gè)統(tǒng)計(jì)特征。60組樣本經(jīng)滑動(dòng)窗口分割后得到一萬多個(gè)窗口片段。

3.2.3 特征提取

通過對原始數(shù)據(jù)求導(dǎo)得到新的 6 組數(shù)據(jù)(包括加速度和角速度的每一軸信號)，其次，對原始加速度和角速度數(shù)據(jù)求歐幾里得范數(shù)得到新的 2 組數(shù)據(jù)。因此，總共獲得 14 組數(shù)據(jù)(包括 6組原始數(shù)據(jù)和 8 組新的數(shù)據(jù))。

對每個(gè)窗口的 14 組數(shù)據(jù)中每一組提取包含 5 組時(shí)域特征(均值、標(biāo)準(zhǔn)差、最大值、最小值和過零點(diǎn)個(gè)數(shù))和 4 組頻域特征(均值、方差、偏度和峰度)，這樣每個(gè)滑動(dòng)窗口可以獲取 126 組傳統(tǒng)特征。

在每個(gè)窗口，從每個(gè)慣性信號中提取N組MFCC系數(shù)，得到14×N組系數(shù)的特征。delta系數(shù)和delta-delta系數(shù)個(gè)數(shù)同為14×N組。

3.3 實(shí)驗(yàn)設(shè)置與結(jié)果分析

3.3.1 評價(jià)方法

論文所要解決的問題是精準(zhǔn)地檢測每個(gè)窗口的活動(dòng)類型，驗(yàn)證梅爾倒譜系數(shù)特征和delta系數(shù)對識別系統(tǒng)的積極影響。評價(jià)分類器性能的指標(biāo)一般是分類準(zhǔn)確率(accuracy)，其定義是對于給定的測試數(shù)據(jù)集，分類器正確分類的樣本數(shù)和總樣本數(shù)之比。對于二分類問題常見的評價(jià)指標(biāo)是精確率(precision)與召回率(recall)。通常以關(guān)注的類為正類，其他類為負(fù)類，分類器在測試數(shù)據(jù)集上的預(yù)測或正確或不正確，4種情況出現(xiàn)的總數(shù)分別記作：

TP——將正類預(yù)測為正類數(shù)(true positive)

FN——將正類預(yù)測為負(fù)類數(shù)(false negative)

FP——將負(fù)類預(yù)測為正類(false positive)

TN——將負(fù)類預(yù)測為負(fù)類數(shù)(true negative)

各個(gè)指標(biāo)定義如下[28]

(2)

(3)

(4)

3.3.2 實(shí)驗(yàn)結(jié)果

本實(shí)驗(yàn)的實(shí)驗(yàn)平臺是在搭載了Intel?CoreTMi5-10300H 2.5 GHz CPU 和 NVIDIA GeForce?GTX 1650Ti 4G GPU 的 ASUS 筆記本電腦上進(jìn)行，操作系統(tǒng)是Windows 10.0，使用編程軟件Matlab 2018測試。

梅爾倒譜系數(shù)提取個(gè)數(shù)N對分類器識別率結(jié)果有非常大的影響,不同的分類器分類結(jié)果一般不一致。

首先對比得出最佳固定窗口長度和梅爾倒譜系數(shù)提取個(gè)數(shù)N最優(yōu)的取值。不同分類器下不同窗口時(shí)間的準(zhǔn)確率如表1，當(dāng)滑動(dòng)窗口長度為 2.56 s 時(shí)分類識別效果最好，總體識別率高達(dá) 96.12%，對于每個(gè)動(dòng)作的識別率比其他窗口時(shí)間高。設(shè)置固定窗口長度為2.56 s，由于采樣頻率為50 Hz，所以分割得到的窗口包含128個(gè)采樣點(diǎn)。對14軸每個(gè)窗口的時(shí)間序列片段計(jì)算不同個(gè)數(shù)N的梅爾倒譜系數(shù)。表2顯示在不同的N取值下，N取10時(shí)，梅爾倒譜系數(shù)識別率最高。6類動(dòng)作混淆矩陣如表3。

表1 不同分類器下不同窗口時(shí)間的準(zhǔn)確率

表2 不同個(gè)數(shù)N的梅爾倒譜系數(shù)，隨機(jī)森林分類器下某5個(gè)測試樣本的準(zhǔn)確率

表3 六類動(dòng)作混淆矩陣

在126組傳統(tǒng)特征和140組MFCC系數(shù)基礎(chǔ)上，增加delta系數(shù)，delta-delta系數(shù)或者二者的組合。隨機(jī)森林(RF)分類器對特征分類效果明顯好于k近鄰(KNN)和樸素貝葉斯(NB)分類器，如表4。隨機(jī)森林分類器識別結(jié)果如表5。引入delta系數(shù)和delta-delta系數(shù)能夠改善。系統(tǒng)平均識別率最高達(dá)到98.19%。

表4 不同分類器下不同特征選擇組合的準(zhǔn)確率

表5 隨機(jī)森林分類器下某5個(gè)測試樣本的準(zhǔn)確率

3.3.3 實(shí)驗(yàn)結(jié)果對比

本論文提出的方法在前人研究基礎(chǔ)上進(jìn)行一定程度的改進(jìn)。對比的研究都是在HARuS數(shù)據(jù)集上運(yùn)行的。

文獻(xiàn)[13]使用 AW-TD 算法，由于不同動(dòng)作序列各自的特定概率，建立多元高斯函數(shù)來自適應(yīng)地調(diào)整窗口大小。文獻(xiàn)[14]提出GD算法，提出了一種基于人體佩戴式無線加速度計(jì)的精確活動(dòng)識別系統(tǒng)，并將其應(yīng)用于病人監(jiān)護(hù)的實(shí)際應(yīng)用中。文獻(xiàn)[13-14]只對6類連續(xù)動(dòng)作中的走、坐、站動(dòng)作進(jìn)行分割識別。表6和表7顯示，2種分割識別方法表現(xiàn)出很好的效果，AW-TD 算法對3種動(dòng)作的分割精確率達(dá)到了 95%以上，召回率也是高于 90%，兩者高于 GD 算法。論文所提方法對站動(dòng)作的分割精確率高于 AW-TD 算法表現(xiàn)，召回率也是達(dá)到 98%以上，高于 AW-TD算法和GD算法。

表6 提出的方法與其他方法精確率的對比

表7 提出的方法與其他方法召回率的對比

4 結(jié) 論

論文針對復(fù)雜動(dòng)作的分割識別，將用于語音信號識別的頻域特征梅爾倒譜系數(shù)應(yīng)用到慣性傳感器時(shí)間序列信號識別系統(tǒng)中。同時(shí)，在梅爾倒譜系數(shù)基礎(chǔ)上計(jì)算一，二階delta系數(shù)，顯著改善最后分類器識別效果?？梢苑指畈⒆R別復(fù)雜動(dòng)作序列中的連續(xù)動(dòng)作，并將每個(gè)動(dòng)作窗口片段進(jìn)行類別的標(biāo)定，在多種分類器下識別結(jié)果比較令人滿意。本模型在 UCI 公開的HARuS 數(shù)據(jù)集上進(jìn)行研究實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明，可以很好地分割識別出6類基本連續(xù)動(dòng)作，并且整體準(zhǔn)確率達(dá)到 98%以上。與在同一個(gè)數(shù)據(jù)集上并做相同的研究相比，整體準(zhǔn)確率比 GD 方法和AW-TD方法高。

雖然可以很好地分割識別出6類基本連續(xù)動(dòng)作，但是本研究還有可探討的深層問題。例如，本文沒有對6類動(dòng)作之間的過渡段動(dòng)作進(jìn)行研究，同時(shí)，模型魯棒性方面存在不足之處。未來可以嘗試在其他數(shù)據(jù)集上來優(yōu)化實(shí)驗(yàn)，需要考慮過渡動(dòng)作在現(xiàn)實(shí)生活中的實(shí)際意義和模型穩(wěn)定性。