EdgeHAR：用于人类活动识别的边缘原生紧凑型传感器基础模型

基于传感器的人类活动识别 (HAR) 是无处不在的可穿戴计算的基础，但现有的基础模型主要是为云规模部署而设计的，并且难以应对现实世界的传感变化，包括看不见的用户、设备、采样率和传感器放置。我们提出 \textbf{EdgeHAR}，这是一种专为可穿戴智能而设计的边缘原生紧凑型传感器基础模型。与将活动知识与采集变化纠缠在一起的传统模型不同，EdgeHAR 通过将传感器信号分解为三个潜在代码来学习可转移表示：捕获可重用活动知识的 \textbf{(i)Activity-Semantic Code}、建模时间模式的 \textbf{(ii)Motion-Dynamics Code} 以及表示传感器特定变化的 \textbf{(iii)Acquisition-Context Code}。这种解开的设计可以利用有限的目标域数据有效地适应新用户、设备、位置和活动类别。通过整合轻量级适配模块，EdgeHAR 实现了基础模型级可转移性，同时满足计算、内存、延迟和隐私方面的边缘约束。跨异构 HAR 数据集的实验表明，EdgeHAR 在分布变化下保持有竞争力的识别性能，同时大大降低了部署成本。 EdgeHAR 为无处不在的传感系统的紧凑、边缘优先的基础模型建立了实用范例。