ML4QS：基于腕部传感器数据的日常活动识别系统

ML4QS 是一个完整的手腕传感器数据流水线项目，使用 Phyphox 采集加速度计和陀螺仪数据，通过机器学习分类器识别吸烟、打字、闲置、烹饪和锻炼五种日常活动。

• 原作者/维护者： aniket1901
• 来源平台： GitHub
• 原始标题： ML4QS_Activity_Recognition
• 原始链接： https://github.com/aniket1901/ML4QS_Activity_Recognition
• 发布时间： 2026年6月5日

---

量化自我（Quantified Self）运动倡导通过数据追踪来理解个人行为和健康状态。ML4QS 项目探索了一个核心问题：能否仅通过手腕的运动数据来推断一个人当前正在进行的活动？

该项目使用手腕佩戴的智能手机作为传感器平台，通过 Phyphox 应用采集加速度计、陀螺仪和线性加速度计数据，构建了从数据采集到活动分类的完整机器学习流水线。

---

项目选择了五种具有代表性的日常活动，覆盖了从静止到剧烈运动的行为谱系：

吸烟（Smoking）

特征为重复的手到嘴部动作，呈现缓慢、周期性的弧形运动。这种活动具有独特的运动模式，与典型的手部活动有明显区别。

打字与鼠标操作（Typing + Mouse）

代表桌面办公场景，表现为快速、低幅度的手腕振动，主要来自键盘敲击和鼠标移动。

闲置（Idle）

静坐休息状态，手部不参与任何活动，信号接近零基线。作为对照组，用于评估系统的噪声水平。

烹饪（Cooking）

包括搅拌、切菜、取物等动作，呈现自由形态的高方差手臂运动。这种活动的随机性较强，对分类器构成挑战。

锻炼（Exercising）

快走或慢跑，表现为强烈的周期性全身运动。信号幅度大、频率特征明显。

• 参与者： 3 人（Alice、Bob、Charlie）
• 每人每活动采集： 8 个会话
• 总会话数： 120 个
• 每次录制时长： 约 30 秒
• 采样率： 约 500 Hz

这种设计确保了数据的多样性和统计显著性，同时通过多参与者采集增强了模型的泛化能力。

---

项目使用了三种传感器，全面捕捉手腕的运动状态：

加速度计（Accelerometer）

测量线性运动和重力分量，提供设备在空间中的位置和运动信息。数据包含 acc_x、acc_y、acc_z 三个轴。

陀螺仪（Gyroscope）

测量旋转角速度，捕捉手腕的转动动作。数据包含 gyr_x、gyr_y、gyr_z 三个轴。

线性加速度计（Linear Accelerometer）

测量去除重力后的纯运动加速度，用于区分重力引起的静态倾斜和实际运动。数据包含 lin_x、lin_y、lin_z 三个轴。

为了将连续的时间序列数据转换为适合机器学习处理的格式，项目采用了滑动窗口方法：

• 窗口大小： 2 秒
• 步长： 1 秒（50% 重叠）
• 每会话窗口数： 约 29 个
• 总窗口数： 约 3,480 个

重叠窗口的使用增加了训练样本数量，同时保持了时间连续性。

---

项目从每个窗口中提取了丰富的时域和频域特征，全面刻画运动的统计特性：