[论文解读] A systematic review of human activity recognition using smartphones.

Marcin Strączkiewicz, Jukka‐Pekka Onnela|arXiv (Cornell University)|Oct 7, 2019

Human Mobility and Location-Based Analysis参考文献 56被引用 5

一句话总结

本篇系统性综述分析了72项基于智能手机的人体活动识别（HAR）研究，考察了数据采集、预处理、特征提取和分类方法。研究识别出主流实践，评估了算法变体，并提出了未来研究方向，以提升消费级智能手机数据向可靠、研究级身体活动模式的转化能力。

ABSTRACT

Smartphones have become a global communication tool and more recently a technology for studying human behavior. Given their numerous built-in sensors, smartphones are able to capture detailed and continuous observations on activities of daily living. However, translation of measurements from these consumer-grade devices into research-grade physical activity patterns remains challenging. Over the years, researchers have proposed various human activity recognition (HAR) systems which vary in algorithmic details and statistical principles. In this paper, we summarize existing approaches to smartphone-based HAR. We systematically screened the literature on Scopus, PubMed, and Web of Science in the areas of data acquisition, data preprocessing, feature extraction, and activity classification. We ultimately identified 72 articles on smartphone-based HAR. To provide an understanding of the literature, we discuss each of these areas separately, identify the most common practices and their alternatives, and propose possible future research directions for this interesting and important field.

研究动机与目标

• 综合分析基于智能手机的人体活动识别（HAR）在数据采集、预处理、特征提取和分类方面的现有方法。
• 识别在使用消费级智能手机进行HAR各阶段中最常见且最有效的实践。
• 评估当前HAR系统中算法与统计方法的优势与局限性。
• 提出切实可行的未来研究方向，以提升基于智能手机的HAR在可靠性与有效性方面的表现。

提出的方法

• 在Scopus、PubMed和Web of Science中系统筛选文献，聚焦于基于智能手机的HAR研究。
• 根据数据采集方法、预处理技术、特征提取策略和分类算法对研究进行分类。
• 分析72项在HAR流程中识别出的研究中的算法多样性与统计原理。
• 比较HAR各组件中常见实践与替代方法的性能与可靠性。
• 综合研究结果，突出基于智能手机的HAR中的趋势、空白与方法学权衡。
• 基于对方法学选择的系统性分析，识别研究空白并提出未来研究方向。

实验结果

研究问题

• RQ1 基于智能手机的HAR研究中，最常用的数据采集方法是什么？
• RQ2 最常应用的预处理与特征提取技术有哪些？它们之间如何比较？
• RQ3 不同分类算法在各类活动识别任务中的表现如何？
• RQ4 将智能手机传感器数据转化为研究级身体活动模式的关键方法学挑战是什么？
• RQ5 在提升基于智能手机的HAR有效性和可靠性方面，哪些未来研究方向最具前景？

主要发现

• 本综述识别出72项基于智能手机的HAR研究，凸显了在数据采集、预处理、特征提取和分类阶段存在显著的方法学多样性。
• 基于加速度计的数据采集是捕捉人体活动信号的最普遍方法。
• 时域特征与频域特征是最常用的特征提取技术。
• 支持向量机（SVM）、随机森林（Random Forest）和k-最近邻（k-NN）等机器学习分类器被频繁用于活动分类。
• 尽管广泛应用，许多研究缺乏标准化的评估协议，限制了不同研究之间的可比性。
• 本综述指出，亟需更严格的验证与标准化，以提升HAR系统在研究应用中的可靠性。