基于周期性特征提取的Time-FWTNet框架：提升可穿戴传感器人体活动识别（HAR）的精度与泛化能力

　　本文提出一种基于周期性特征提取的新型网络框架Time-FWTNet，通过整合傅里叶变换（Fourier Transform）与小波变换（Wavelet Transform），有效捕捉人体活动中的全局与局部周期性特征。该模型引入FWT-Block模块和Freq-CM结构，实现在多个公开数据集（如AUST-HAR、USC-HAD等）上超过98.7%的平均识别准确率，显著提升HAR任务的鲁棒性与泛化能力。

　　

Highlight

特征提取在HAR中的应用

传统的人体活动识别（HAR）方法主要依赖深度学习模型，如卷积神经网络（CNN）、长短期记忆网络（LSTM）及其混合模型，用于从传感器数据中提取时空特征。这些方法通常在时域应用一维卷积神经网络（1D CNN）以捕捉局部信号模式，并利用LSTM或双向LSTM（Bi-LSTM）建模时间依赖性。例如，Xu等人对三轴加速度信号实施卷积操作，其表现优于传统机器学习方法；而Xia等人……

Method

在本节中，我们介绍创新的Time-FWTNet网络，旨在通过结合傅里叶变换（Fourier Transform）和小波变换（Wavelet Transform）来提取全局与局部周期性，从而解决HAR识别问题。首先，从体传感器收集的数据通过沿时间轴的滑动窗口被划分为窗口大小的子数据集。随后使用傅里叶变换捕捉周期内（intra-period）和周期间（inter-period）的变化，生成二维张量。该张量被进一步分解……

Experiments

本节介绍了与HAR相关的四个数据集，并说明了实验环境与训练设置。数据采集过程与设备呈现在AUST-HAR数据集的介绍中。使用Time-FWTNet对数据集进行分析，并对学习到的特征空间进行可视化解释。为评估Time-FWTNet的有效性，我们进行了对比实验与消融研究，以验证周期性特征学习的效能。

Conclusion

本文提出了Time-FWTNet，一种用于人体活动识别（HAR）的新型框架，显式地整合了周期性特征学习——这是现有研究中尚未充分探索却至关重要的方面。通过傅里叶变换捕捉全局周期性，并利用哈尔小波分解（Haar wavelet decomposition）提取局部周期性，该模型有效捕捉了周期内与周期间的动态变化。专用的FWT-Block包含Freq-CM模块，结合了CNN与Mamba结构，以提取静态与动态……