基于可穿戴传感器的人体活动识别与康复监测

用手机和手环里的惯性传感器（加速度+陀螺仪），自动识别走路、上下楼、坐、站、躺六种日常活动，服务运动量统计与居家康复监测。手工特征 vs 深度学习两条路线对比，受试者独立评测更贴近真实泛化。

• 任务类型深度学习-计算机视觉
• 专业方向医疗健康 · 计算机

项目亮点

• LogisticRegression：标准化后的 561 维时频特征上的多类线性分类器，强基线。
• RandomForest：561 维特征上的树集成（300 棵），无需标准化、抗噪。
• 1D-CNN（HARCNN）：直接吃 9 通道×128 原始惯性信号，三段 Conv1d-BN-ReLU-Pool + 全局平均池化，Adam/lr=1e-3/20 轮/batch=64，CUDA 加速。
• `项目流程图.png`：端到端六阶段流水线（信号采集→滑窗→两套表示→三类模型→多指标评估→康复应用）。

如果你想找一个能写进简历、面试又能讲得透的 AI 项目，这个「用手机和手环识别人在做什么」的题目会很合适——它落在可穿戴、康复、智能硬件这些热门赛道上，但又不玄乎，每一步都看得见、讲得清。

配套也都给你备齐了，帮你真正搞懂它、在面试和答辩里讲明白：带中文注释、能读懂的代码，一份从研究背景讲到每步实现的技术文档，一份把面试可能追问的点连参考答案都写好的问答文档，还有一整套可以直接拿去做 PPT 的配图。

先说清楚，它到底在做什么

你每天揣在兜里的手机、戴在手上的手环，里面都有惯性传感器——加速度计感知你动得多快，陀螺仪感知你怎么转动。人在走路、上楼、坐下时，这些传感器读出来的数值各不相同。这个项目要做的，就是让机器只看这串数值，就能判断出「这个人此刻在做什么」。

为什么值得做？因为它直接接得上真实场景：康复训练里要统计病人今天走了多少步、爬了几层楼、坐了多久；老人看护里要知道老人是正常活动还是长时间躺着不动。把活动自动识别出来，这些事才谈得上自动化。

项目用的是公开的 UCI HAR 数据集——30 个人、6 类活动、上万个滑窗样本，是这个领域最经典的基准。难点在于：传感器读数是一串杂乱的波形，不是现成的标签。怎么把这串波形变成「走路/坐着」的判断，正是项目要解决的。

这个项目最大的巧思，是同一件事用两条完全不同的技术路线去做，再摆在一起对比：

• 手工特征路线：先靠领域知识，从波形里算出 561 个统计量（均值、方差、频谱能量……），把一段信号压成一个特征向量，再喂给逻辑回归、随机森林这类经典分类器。
• 深度学习路线：不做人工特征，直接把 9 轴原始时序信号丢给一个 1D-CNN，让网络自己沿时间轴滑动卷积、端到端地学出该关注什么。

搞懂它，你能在面试里讲清楚什么

这才是这个项目对你最大的价值。把下面几件事吃透，面试官顺着项目往下追问时，你都能从容接住。

手工特征 vs 端到端深度学习，到底怎么取舍。 这是全项目最值得讲的一条主线。结论很有意思也很反直觉：在这份数据上，最简单的逻辑回归反而整体最准——因为那 561 个手工特征已经把信号里的精华提炼得很到位，好特征 + 简单模型，胜过让深度模型从零硬学。而 1D-CNN 的价值在另一处：它在走路、上下楼这些动态活动上接近完美（F1 全部超过 0.97）。你能借这个对比讲清楚一个成熟工程师才有的判断——不是越深的模型越好，要看数据给了你什么。

为什么"受试者独立划分"更可信。 这是能让你瞬间显得专业的一个点。很多人做活动识别会把所有人的数据混在一起随机切训练/测试——但这样同一个人的动作会同时进训练集和测试集，模型其实是"记住了这个人"，分数虚高。这个项目用官方划分：训练用 21 个人、测试用另外 9 个人，两拨人零重叠。这样测出来的分数，回答的才是真正重要的问题——「换一个模型从没见过的新用户，它还认得准吗」。把这点讲出来，面试官会知道你懂泛化、懂数据泄漏。

下面这组结果图都给你做好了，可以直接放进答辩或面试 PPT：

更关键的是，每张图是怎么跑出来的、该怎么解读，技术文档里都讲清楚了——所以你不是只会往 PPT 上贴图，而是能说明白每张图到底在说什么、能撑起一段有逻辑的讲解。

坐和站为什么最难分——把它讲成深度，而不是缺陷。 所有模型都在「坐」和「站」上栽过跟头，但这恰恰是最能体现你功力的地方：它不是模型不行，而是数据本身的固有难点。原因很物理——人坐着和站着时身体几乎不动，传感器读到的几乎只剩一个"重力分量"，两种姿态在信号上长得太像。项目没有停在"这俩难分"，而是用波形、频谱、降维、混淆矩阵、精确率召回率、重力夹角散点六重证据，一层层论证这个难点的来源。把这套论证讲出来，比报一个高分更能让面试官记住你。

面试官会问的，都帮你备好了

随便感受几个这个项目真实会被追问的问题：

• 为什么逻辑回归这种最简单的模型，整体反而比 1D-CNN 还准？
• 受试者独立划分和随机划分，测出来的分数差在哪？为什么前者才可信？
• 坐和站为什么所有模型都容易混？你是怎么确认这是数据问题而不是模型问题的？

看到这几个是不是会愣一下？正常。配套的面试问答文档把这个项目——从整体思路到每个流程细节，各种面试可能追问的点——连参考答案都给你写好了。

另外还有现成的简历描述，照着改就能写进简历；那一整套配图也能直接套进 PPT 模板，快速出一份面试 / 答辩 PPT。你要做的不是背，而是理解，再用自己的话讲一遍。

配套资料：搞懂一个项目需要的，这里全都有

先看那份技术文档——从研究背景一直讲到每一步实现，图文并茂，帮你把原理从头吃透：

代码也给你了——关键部分都带着中文注释，帮你读懂"它到底是怎么实现的"，面试被追问细节时也答得上来：

技术文档、面试问答、源码注释、整套配图——搞懂一个项目、并在面试里讲清楚它，需要的全都备齐了。

适合谁

不管你是赶毕设、想给简历添个有分量的项目，还是在准备面试，这个题目都接得住。它既落在可穿戴、康复监测这些有故事的应用场景上，方法上又把"特征工程 vs 深度学习"讲得很透——专业上，计算机、人工智能、数据科学、物联网、智能硬件，乃至体育科学、康复治疗、护理方向都很合适。资料、讲解和面试答案都给你铺好了，把它真正搞懂、能讲出来，就是一个能写进简历、撑得起面试的项目。