SmartADAPT-Net: Decision-Level Adaptation for Free-Living Smartwatch-Based Activities of Daily Living Recognition

日常生活是一系列微小且往往具有重复性的动作序列：刷牙、洗碗、走向厨房或拖地。对于医生和护理人员来说，追踪这些“日常生活活动”至关重要。一个人独立执行这些任务的能力是衡量其健康和安全的主要指标。传统上，测量这种能力依赖于询问人们做了什么，或者让护士在特定时间进行观察。这些方法并不完美；人类的记忆是会出错的，而片段式的观察则会错过一整天的节奏。为了获得一个人功能状态的真实图景，我们需要一种能够在不干扰的情况下持续观察他们的方法。这正是智能手表发挥作用的地方。佩戴在手腕上的智能手表携带传感器，可以感知运动的细微变化，为人们的日常活动提供了一个潜在的窗口。但问题在于：一个在安静、受控的实验室环境中训练来识别这些动作的计算机程序，当同一个人在自己家中面对混乱、不可预测的现实环境佩戴手表时，往往会失效。

来自昆特马格里特大学（Queen Margaret University）和爱丁堡纳皮尔大学（Edinburgh Napier University）的研究人员致力于解决这个特定问题。他们探讨了一个智能手表系统是否可以在被使用的过程中学习识别一个人的日常活动，而无需进行完全的重新训练。他们开发了一个名为 SmartADL-Net 的系统，该系统设计为分为两个不同的阶段运行。首先，它使用一个通用的“群体”模型——即从实验室中许多不同的人身上学到的一套规则——来对正在发生的活动做出初步猜测。其次，它会从佩戴者的特定行为中缓慢学习，但前提是该佩戴者必须确认或纠正手表的猜测。其目标是观察这种两步走的方法能否弥合实验室训练的机器人与现实世界中有用的个性化助手之间的差距。

研究人员首先在模拟家庭环境中构建了系统的基础。三十名志愿者完成了六项常见的任务：刷牙、拖地或吸尘、整理物品、行走、洗碗和洗脸。他们佩戴 Apple Watch 以记录手腕的运动。团队利用这些数据来训练计算机模型识别这些运动的模式。这个初始模型是“冻结”的，这意味着它的核心大脑被锁定，之后不会发生改变。然而，研究人员添加了一个聪明的调整层，称为“复杂度感知调制”（complexity-aware modulation）。这一特征会观察运动是多么混乱或不规则。例如，走路通常是有节奏的，而洗碗可能更加杂乱无章。通过测量这种复杂度，系统可以在甚至还不知道用户是谁之前，对其初始猜测进行快速、智能的调整，从而提高准确性。

真正的测试发生在他们将该系统部署到另外十七名新用户实际家庭环境中的二十天内。这些参与者佩戴着手表，并在执行六个目标活动之一时开始记录。系统事先并不了解这些人。当手表做出预测时，用户会被要求确认其是否正确，或者从列表中选择正确的活动。这种反馈是关键所在。系统并没有重新训练其主脑，因为那对于手表的电池和处理器来说负担太重。相反，它存储了简单的“原型”（prototypes）——即关于该特定用户每种活动运动特征的紧凑摘要。随着用户确认越来越多的动作，系统会缓慢调整其最终决策，将通用的群体知识与特定用户的习惯融合在一起。

结果显示出清晰且强大的进步过程。当系统仅依赖其初始的、冻结的大脑时，其活动识别准确率约为 62%。由于现实生活比受控实验更混乱，这种性能下降是在预料之中的。然而，一旦系统应用了复杂度感知调整，准确率立即跃升至 78%。这种提升是即时发生的，无需任何来自用户的个人数据。随着用户在二十天内不断确认其活动，系统的个性化功能开始发挥作用，最终准确率上升到了 89%。这意味着，通过结合智能的即时修正与缓慢的持续学习，系统从最初的错误中恢复，并变得高度可靠。

并非每种活动都同样容易掌握。行走和拖地从一开始就能以高准确率被识别。然而，洗脸仍然是最困难的任务。即使经过二十天的个性化过程，系统在处理这项任务时仍然表现挣扎，准确率仅为 79% 左右。研究人员发现，虽然系统可以纠正许多早期的错误，但洗脸与其他动作之间的混淆依然存在。这表明腕部传感器虽然在追踪手臂运动方面表现出色，但有时缺乏区分非常相似的手部动作所需的精细细节。尽管如此，该系统证明了它可以在不需要大量数据或复杂重新训练过程的情况下，从用户那里学习。

研究还证实了这种方法在日常使用中的实用性。整个系统，包括记住用户特定习惯所需的内存，占用的空间非常小——大约相当于一个小照片文件的大小。它运行迅速，能在不到十分之一秒内做出决策，且额外的电池消耗极低，每小时活跃使用仅消耗约 3.5% 的电量。这种效率至关重要；一个会让手表在几小时内耗尽电量的系统对于长期健康监测来说是毫无用处的。

研究人员谨慎地指出了他们研究结果的局限性。用于测试系统的“正确”答案来自于用户本身，他们在看到手表的猜测后进行确认。这意味着系统可能会受到用户自身信心或偏见的影响，而不是来自一名独立的观察者。此外，该研究侧重于用户手动启动的六项特定活动，而不是一个全天候观察并自动识别用户正在做什么的系统。该系统也没有尝试去学习除了这六项活动之外的新类型活动。

尽管如此，其核心发现具有重要意义。它证明了一个可穿戴设备可以从对人类运动的通用理解出发，并通过简单的“人机协同”反馈，适应个人的独特风格。它不需要作为一个等待数周数据的空白状态，也不需要是一个僵化、不可更改的程序。通过将即时的智能调整与缓慢的个人学习分离，该系统为智能手表提供了一条路径，使其不仅是传感器，更是能够监测现实世界健康的真正具有适应性的伴侣。这项研究表明，可穿戴健康监测的未来不在于孤立地让计算机变得更聪明，而在于创造一种伙伴关系，让设备通过每一次被确认的活动，从佩戴者身上学习。