作为国际研究团队成员，来自因诺波利斯大学的研究人员开发出一种神经网络架构，可基于传感器数据识别30余种人类活动。这款基于AI的新模型识别准确率最高达98.91%，有望进一步提升健康监测系统的性能。
基于传感器的人类活动识别系统通常面临两项相互矛盾的需求：既要能检测跌倒这类瞬时快速动作，又要能区分步行、跑步这类持续型行为模式。大多数现有模型通常仅在其中一方面表现优异，而这项新成果解决了这一难题。
同时，该模型体量极轻，仅包含5万—6.2万个参数，每次预测仅需200万—350万次运算，非常适用于智能手表、健身追踪器及可穿戴医疗设备等低成本可穿戴设备。
开发团队采用三个国际通用的公开数据集对模型进行测试，这类数据集广泛用于人类活动识别系统的性能评估。
在第一个数据集的测试中，模型准确率达97.49%，较此前最优水平高出2.49个百分点；在第二个数据集上准确率达98.91%，较此前领先模型高出1.2个百分点。
值得注意的是，该模型在罕见活动识别方面同样表现优异，识别准确率达97.5%，而同期一款主流AI模型仅为74.2%。开发人员指出，新模型在识别罕见活动类别（尤其是各类跌倒场景）时优势更明显。
研究团队预计，这款新型 AI 模型未来可用于追踪患者受伤或中风后的康复进程，辅助职业运动员监测训练与比赛状态；可提升智能手表、健身追踪器的监测精度，实现步数、心率、卡路里消耗的精准监测与各类身体活动识别；还可应用于自动驾驶系统，用于道路行人检测。
（本栏目稿件来源：俄罗斯金砖国家电视台 编辑整理：本报记者姚易安）
