摘要
基于传感器数据的人体活动识别（Human Activity Recognition, HAR）可被视为一种时间序列分类问题，其核心挑战在于同时捕捉空间与时间依赖性，并聚焦于最具相关性的数据变化特征。本研究采用从RGB+D相机提取的三维骨骼数据（3D skeleton data）进行建模。针对Kinect传感器捕获的3D骨骼数据，本文提出一种改进的时空图像编码方法，该方法引入“运动能量”（motion energy）概念，重点关注在特定动作中参与程度最高的骨骼关节点。通过聚焦动作中最具代表性的部分，该编码方式显著提升了在线活动检测的判别能力。本文详细介绍了这一新型编码方法，并将其应用于基于深度学习的HAR任务中，模型在经编码处理的3D骨骼数据上进行训练。为验证模型性能，我们系统研究了Keras库中多个预训练卷积神经网络（CNN）的迁移学习能力。实验结果表明，所提出方法在分类准确率方面相较现有技术水平取得了显著提升。