University of California, San Diego（加州大学圣迭戈分校）

Sedentary Behavior Classification for Wearable Sensors with a CNN-BiLSTM Model

基于CNN-BiLSTM模型的可穿戴传感器久坐行为分类

Yuliang Chen, Weiwei Shi, Jingjing Zou, Rong Zablocki, Animesh Kumar, Jordan A. Carlson, Sheri J. Hartman, Mikael Anne Greenwood-Hickman, Paul R. Hibbing, Marta Jankowska, Jay Yang, Arun Kumar, Loki Natarajan

机构 * Halıcıoğlu Data Science Institute, University of California, San Diego（加州大学圣迭戈分校哈利乔格鲁数据科学学院） ； Herbert Wertheim School of Public Health and Human Longevity Science, University of California, San Diego（加州大学圣迭戈分校赫伯特韦特海姆公共卫生与人类长寿科学学院） ； Department of Computer Science and Engineering, University of California, San Diego（加州大学圣迭戈分校计算机科学与工程系） ； Center for Children’s Healthy Lifestyles & Nutrition, Children’s Mercy Kansas City, University of Missouri-Kansas City（密苏里大学堪萨斯城分校儿童慈善医疗堪萨斯城分院儿童健康生活方式与营养中心） ； Kaiser Permanente Washington Health Research Institute（凯撒永久华盛顿健康研究所） ； Department of Kinesiology and Nutrition, University of Illinois Chicago（芝加哥伊利诺伊大学运动机能学与营养系） 纠错

AI总结 本研究提出基于髋部加速度计数据预训练的CNN-BiLSTM模型CHAP，可迁移至腕部数据实现坐/非坐分类，微调后性能优于从头训练的Transformer，为腕部传感器久坐行为检测提供了有效方案。