[论文解读] A systematic review of smartphone-based human activity recognition for health research

Marcin Strączkiewicz, Peter James+1 more|arXiv (Cornell University)|Oct 7, 2019

Context-Aware Activity Recognition Systems参考文献 106被引用 9

一句话总结

本篇系统性综述分析了108项基于智能手机的人体活动识别（HAR）健康研究，评估了传感器使用、数据处理及分类方法。研究识别出关键实践方法，并建议提升数据质量、参与者多样性、手机佩戴位置灵活性以及代码透明度，以扩大对人群的影响力。

ABSTRACT

Background: Smartphones are now nearly ubiquitous; their numerous built-in sensors enable continuous measurement of activities of daily living, making them especially well-suited for health research. Researchers have proposed various human activity recognition (HAR) systems aimed at translating measurements from smartphones into various types of physical activity. In this review, we summarize the existing approaches to smartphone-based HAR. Methods: We systematically searched Scopus, PubMed, and Web of Science for peer-reviewed articles published up to December 2020 on the use of smartphones for HAR. We extracted information on smartphone body location, sensors, and physical activity types studied and the data transformation techniques and classification schemes used for activity recognition. Results: We identified 108 articles and described the various approaches used for data acquisition, data preprocessing, feature extraction, and activity classification, identifying the most common practices and their alternatives. Conclusions: Smartphones are well-suited for HAR research in the health sciences. For population-level impact, future studies should focus on improving quality of collected data, address missing data, incorporate more diverse participants and activities, relax requirements about phone placement, provide more complete documentation on study participants, and share the source code of the implemented methods and algorithms.

研究动机与目标

• 整合基于智能手机的人体活动识别（HAR）在健康研究中的现有方法。
• 识别在数据采集、预处理、特征提取和分类方面常见的实践方法与方法学差异。
• 突出当前研究中的研究空白，包括人群多样性不足以及文档记录不一致的问题。
• 为提升未来HAR研究的质量、可重复性与可扩展性，提出切实可行的改进建议。

提出的方法

• 在Scopus、PubMed和Web of Science中进行系统性文献检索，涵盖截至2020年12月发表的同行评审文章。
• 纳入标准聚焦于在健康研究背景下使用智能手机进行HAR的研究。
• 提取关于智能手机身体位置、传感器类型（如加速度计、陀螺仪）、身体活动类型、数据转换技术及分类算法的信息。
• 将方法划分为数据采集、预处理、特征提取和分类四个阶段。
• 分析方法学趋势，包括常用算法（如SVM、随机森林）和特征工程方法。
• 基于文档完整性、参与者多样性及代码可获取性，评估研究质量。

实验结果

研究问题

• RQ1 在健康研究中，HAR研究最常使用的智能手机传感器配置和身体位置是什么？
• RQ2 在基于智能手机的HAR系统中，最常应用的数据预处理和特征提取技术有哪些？
• RQ3 不同研究中的分类算法有何差异？在不同健康研究情境下，哪种算法表现最佳？
• RQ4 当前HAR研究的主要局限性是什么，特别是在数据质量、参与者多样性及研究透明度方面？
• RQ5 为实现可扩展的、面向人群的健康应用，需要在方法学上进行哪些改进？

主要发现

• 本综述共识别出108项基于智能手机进行HAR的健康研究，其中加速度计是最常使用的传感器。
• 佩戴于腰部的智能手机最为常见，但也有研究采用口袋或手持等其他位置。
• 随机森林和支撑向量机（SVM）是在各研究中使用最广泛的分类算法。
• 仅少数研究提供了完整的源代码或详细的参与者特征文档。
• 在参与者多样性方面仍存在显著差距，老年人、残障人士以及非西方人群的代表性严重不足。
• 本综述强调亟需提升数据质量，改进缺失数据的处理方式，并放宽对手机佩戴位置的限制，以增强现实世界中的适用性。