老年人类活动识别中的性能差距特征分析

arXiv:2610.02711v1 公告类型：cross 摘要：基于腕戴式加速度计的人类活动识别（HAR）日益用于健康与行为追踪。然而，大多数可穿戴设备 HAR 模型都是在以年轻成年人为主的数据集上开发和评估的，因此基准测试中的进步能否推广到不同年龄群体仍不明确。在本研究中，我们利用精心标注的自由生活老年人 HAR 数据集 MyMove（平均年龄为 71 岁），在留一被试交叉验证和跨数据集迁移两种设置下，评估深度学习架构与训练机制。我们发现，在年轻成年人基准数据集上的性能提升无法同等程度地迁移到从老年人采集的数据上，从而形成持续存在且往往不断扩大的性能差距。然而，更丰富的表征，尤其是在年龄多样化的 UK Biobank 数据集上预训练的冻结自监督特征，能够显著提升老年人数据上的性能，并持续缩小性能差距；其对年轻成年人性能的影响代价较小，但差异仍然存在。这些发现表明，仅凭基准测试收益和架构扩展，无法完整反映可穿戴设备 HAR 的进展；更广泛的进步可能需要能够更好捕捉人群多样性的表征，同时结合针对个体运动模式与日常活动规律的个性化适配。