在对抗性自编码器中增强潜在空间表示以用于运动识别：一种利用低成本传感器的数据增强方法

时间：2026年1月29日

来源：Smart Health

编辑推荐：

本研究利用对抗自编码器（AAE）对WiiBB和IMU传感器数据进行2D潜在空间建模，通过对比不同训练样本量（2-12人）和数据增强策略，验证其对上下肢运动识别准确率的影响。实验表明数据增强可提升10.2%-6.8%的测试准确率，且在样本量不足时效果显著。研究为低成本传感器驱动的康复系统提供了方法论支持。

埃尔南德斯·文森特|文图尔·詹蒂安

东京大学机械工程系

摘要

在人类活动识别（HAR）的背景下，运动监测对于提供即时反馈和促进运动分析至关重要。当与数据降维结合使用时，它可以提供对运动模式的更深入见解，从而有助于训练程序的开发。本研究调查了数据增强和参与者数量对对抗性自动编码器（AAE）生成的2D潜在空间表示准确性的影响。

在这项研究中，从20名参与者那里收集了Wii平衡板（WiiBB）和安装在每个前臂和髋部上的惯性测量单元（IMU）的数据。实验针对上肢和下肢运动进行，通过改变训练集中参与者的数量（从2到12人），并考虑了有无数据增强的情况，来分析潜在空间表示的准确性。

结果表明，数据增强的应用显著提高了AAE潜在空间表示的准确性。例如，仅使用两名参与者进行训练时，WiiBB数据的测试准确性提高了10.2%，IMU数据的准确性提高了4.4%（针对下肢运动）；而上肢运动的准确性分别提高了6.8%和3.1%。

这些发现表明，数据增强可以显著缓解小型训练数据集的局限性，从而改善HAR应用的潜在空间表示。本研究强调了结合数据增强策略和传感器类型以获得可靠且可解释的结果的重要性。

引言

在人类活动识别（HAR）的背景下，运动监测结合了传感器数据和机器学习来追踪人类运动。这些集成在家庭系统中的系统可以提供有关运动模式的宝贵信息，实现实时反馈。它们有潜力支持个人训练、远程监控和交互式应用，允许用户在不需要持续监督的情况下跟踪进度和调整运动。这在监测进度、提供反馈以及补充临床环境中的传统干预措施方面也起着重要作用（Buhagiar等人，2013年；Correia等人，2018年；Vega-Ramírez等人，2017年）。

传统的实验室级设备，如力板或运动捕捉系统，由于成本和复杂性，不适合家庭使用（Silva等人，2017年）。相反，像Wii平衡板（WiiBB）（任天堂有限公司，日本京都）或惯性测量单元（IMU）这样的低成本替代品可以通过蓝牙连接提供实时数据采集的可行方案（Manupibul等人，2023年）。结合严肃游戏，这些传感器可以促进个人训练中的互动参与，并在不需要专业人员持续监督的情况下向患者提供反馈。Wii平衡板（WiiBB）和IMU传感器已被证明在各种应用中是可靠的，例如评估年轻人和老年人的平衡能力（Chang等人，2013年；Clark等人，2018年）、姿势不稳定分析（Jones，2018年）以及老年人跌倒风险分类（Audiffren等人，2016年）。它们还支持康复效果，包括改善脑瘫患者的站立平衡（Gatica-Rojas等人，2017年）和中风患者的恢复（Felius等人，2022年），同时能够像光电系统一样准确捕捉时空和运动参数（Cho等人，2018年）。尽管这些传感器价格实惠且易于使用，但它们生成的数据需要专业知识和时间来分析。

基于分类的方法可以对运动模式进行分类，但可能会忽略随时间变化的运动控制。实际上，静态标签可能会掩盖细微的进步或退步，使临床解释变得复杂。数据降维技术可以通过在低维空间（例如2D）中可视化复杂模式来解决这个问题，从而检测到运动功能的微妙变化，并支持更准确的评估（Alvarez-Meza等人，2012年；Kamikokuryo等人，2022年）。

在HAR活动中，对于活动可视化的数据降维研究关注较少。Yabuki和Venture（2013年）使用了基于PCA的方法和地面反作用力（GRF）传感器，但这可能不适合非线性数据表示。Hernandez等人（2020年）是第一个使用对抗性自动编码器（AAE）将人类活动表示到2D潜在空间的研究，将其应用于低成本的商用力板。后续研究，如Kamikokuryo等人（2022年），将AAE扩展到沉浸式虚拟现实中的动态难度调整。最近，Kamikokuryo等人（2025年）探索了将AAE与惯性测量单元（IMU）集成，解决了仅使用力板分析全身活动的局限性，而Rousseau等人（2024年）研究了疲劳对健身运动期间潜在空间表示的影响。

此外，由于后勤、财务和伦理限制，收集大量数据往往具有挑战性，导致数据集规模小或不平衡。这些限制降低了训练高效深度学习模型的能力，而深度学习模型通常需要大量数据才能正确泛化。因此，数据增强技术对于提高这些模型的泛化性能至关重要。先前的研究表明，通过使用信号处理技术（Um等人，2017年；Zhou等人，2024年）或基于深度学习的方法（如生成对抗网络（Alharbi等人，2020年；Lupión等人，2024年）和扩散模型（Oppel & Munz，2025年），数据增强可以显著提高分类模型的泛化性能。然而，基于深度学习的模型需要大量数据来捕捉复杂模式以生成新数据，这使得它们不适用于小型数据集。

常见的传感器信号数据增强技术包括添加随机噪声、时间扭曲、幅度扭曲、压力中心（CoP）数据的2D旋转以及惯性测量单元（IMU）数据的3D旋转（Ashfaq等人，2024年；Nandakishor等人，2025年；Um等人，2017年）。这些数据增强策略可以帮助在数据收集有限的场景下提高模型性能。这些方法通过模拟各种不准确性和环境变化来提高模型对现实世界扰动的容忍度。随机噪声被添加到传感器数据中以模拟传感器不准确性或环境变化，从而增加模型对现实世界扰动的容忍度（Um等人，2017年）。时间扭曲用于拉伸或压缩时间序列，模拟运动速度或时间的变化。此外，幅度扭曲通过添加围绕零变化的平滑曲线来改变信号的幅度。对于压力中心（CoP）数据，2D旋转技术可以通过在水平面上旋转CoP轨迹来模拟姿势变化或初始条件的差异。对于惯性测量单元（IMU）数据，3D旋转可以复制由身体运动或设备错位引起的传感器方向变化，从而适应不同的身体位置和传感器放置。

本文扩展了Kamikokuryo等人（2025）的先前研究，评估了数据增强技术在提高AAE 2D潜在空间表示分类性能方面的有效性。为了确保公平和可靠的评估，我们采用了在我们早期工作中建立的稳健的、与用户无关的训练、验证和测试方法。尽管这项工作没有提出新的传感系统或学习架构，但它提供了关于数据增强和参与者数量如何影响潜在空间表示的案例研究证据。在此基础上，本研究有两个重点：（1）分别针对上肢和下肢运动，系统地比较使用WiiBB数据、IMU数据以及这两种传感器组合的潜在空间表示的分类性能，无论是否有数据增强。（2）分析训练数据集中参与者数量的变化对分类性能的影响。