human activity recognition (HAR) has become a spotlight in recent scientific
research because of its applications in various domains such as healthcare,
athletic competitions, smart cities, and smart home. While researchers focus on
the methodology of processing data, users wonder if t
近年来,深度学习在可穿戴人体活动识别领域的应用引起了广泛关注,但对实验模型训练的标准化和一致性的关注不断增加,为了解决这个问题,本文对 WHAR 领域的深度学习研究进行了全面的回顾,并汇总了各项研究中使用的训练程序信息,结果表明现阶段存在训练过程细节不足的问题,随后将影响分析融入到控制变量方法中,评估了关键可调整组件对 HAR 模型的跨主体泛化能力的影响,基于分析结果,我们提出了一种适用于 WHAR 模型的整合训练流程,通过使用五个知名的 WHAR 基准数据集和三种经典 HAR 模型架构进行实证结果验证,证明了我们所提方法的有效性,尤其是在宏观 F1 留一主体交叉验证性能上有显著改进。