摘要
当前主流的健康与医疗物联网（Internet of Health and Medical Things）技术通常通过持续监测个体的日常身体活动，实现疾病的主动预防，因此人体活动识别（Human Activity Recognition, HAR）与行为分析已成为重要的研究领域。运动活动识别（Sports Activity Recognition, SAcR）作为HAR的一个子集，专注于识别各类体育运动动作。目前，计算机视觉、环境传感器和可穿戴传感器是监测此类活动的三种主要方法。综合考量各类方法的优势与局限性后，可穿戴传感器展现出最佳的实用性。本研究提出了一种名为Mukhtasir-Khail-Net的新型模型，该模型仅包含651个参数，却能高效利用残差加法层结构。在六类运动活动的识别任务中，该模型基于可穿戴传感器采集的惯性数据，实现了高达98.865%的平均识别准确率。为验证其性能，本研究还将该模型在WISDM 11数据集上进行了基准测试——该数据集由福特汉姆大学（Fordham University）发布，属于典型的人体活动识别数据集，模型在该数据集上取得了94.24%的准确率。