摘要

基于可穿戴传感器的人类活动识别（Human Activity Recognition, HAR）是众多人工智能应用中的核心功能，广泛应用于个人健康监测、体育运动、 wellness 管理以及工业4.0等领域。与计算机视觉等其他机器学习领域相比，可穿戴传感器驱动的HAR技术发展面临一个关键瓶颈：缺乏多样且已标注的训练数据。尽管在线数据资源中存在海量标注图像，但公开可用的传感器数据却极为稀缺，且大多未标注。为此，本文提出一种专为可穿戴传感器HAR任务优化的无监督统计特征引导扩散模型，适用于惯性测量单元（Inertial Measurement Unit, IMU）等传感器。该方法无需依赖人工标注的训练数据，即可生成合成的、带标签的时间序列传感器数据，从而有效缓解真实世界传感器数据稀缺及标注困难的问题。通过将扩散模型的生成过程基于均值、标准差、Z-score 和偏度等统计特征进行条件约束，我们能够生成多样化且具有代表性的合成传感器数据。在多个公开的人类活动识别数据集上进行的实验表明，该方法在性能上优于传统的过采样技术以及当前最先进的生成对抗网络（Generative Adversarial Network, GAN）方法，显著提升了活动识别的准确率，展现出优于现有技术的潜力。