Page 385 - 《软件学报》2026年第3期

1348 软件学报 2026 年第 37 卷第 3 期

成, 这些数据以 20 Hz 的频率采集. 该数据集包含 6 种主要的人体活动: 行走、慢跑、坐、立、上、下楼梯. 然而,
参与者之间存在着行为差异和类别不平衡问题. 例如参与者 9 只进行了步行, 但参与者 5 执行了所有的活动. 我们
[6]
将每个研究对象视为一个单独的领域, 并随机选择 3 个跨领域场景. 与 RAINCOAT [29] 以及 CALDA 一样, 每个场
景都执行了所有的活动.

20
10 20 20
PC2 (31.8%) 0 PC2 (24.4%) 0 PC2 (34.5%) 0 PC2 (28.3%) 10 0
10

−10
−10 −10
−20 −20
−20 0 20 0 20 −20 0 20 −20 0 20
PC1 (49.8%) PC1 (53.9%) PC1 (43.3%) PC1 (57.7%)
(a) 受试者3 (b) 受试者5 (c) 受试者6 (d) 受试者7
Downstairs Jogging Sitting Standing Upstairs Walking
图 5 WISDM 数据集上 4 个受试者的数据分布示意图

30
20
20 20
10
PC2 (34.2%) 0 PC2 (13.4%) −10 0 PC2 (22.7%) −10 0 PC2 (20.0%) 0
10
10
−10
−20 −20 −20
0 20 −20 0 20 0 20 −20 0 20
PC1 (45.8%) PC1 (77.2%) PC1 (64.6%) PC1 (74.9%)
(a) 受试者 a (b) 受试者 b (c) 受试者 c (d) 受试者 d
Bike Null Sitting Downstairs Upstairs Standing Walking
图 6 HHAR 数据集上手表加速度计的 4 个受试者的数据分布示意图

表 3 数据集的统计特性

数据集 受试者 (个) 通道数 类别数 训练集 测试集
Opportunity 4 3 5 S1 S2, S3, S4
WISDM 36 3 6 3 5, 6, 7
HHAR 9 3 6 a b, c, d
人工合成 4 3 6 a b, c, d

3.2.3 HHAR 数据集
异质性人类活动识别 (HHAR) 数据集是一个用于研究传感器异质性对人类活动识别算法影响的数据集 [30] .
它包含了来自智能手机和智能手表的传感器读数, 记录了 9 位用户执行的活动. 用户的 6 类活动没有特定的顺序:
骑自行车、坐着、站立、走路、上楼和下楼. 用户的智能手机和智能手表都具有两种类型的传感器, 即加速度计
和陀螺仪, 以各自设备允许的最高频率进行采样. 考虑到每个受试者的行为差异, 本文将手表加速度计 (watch acc)
中的 9 个受试者作为单独的域, 选择其中 4 个构建了 3 种跨域场景, 如表 3 所示.
在图 4–图 6 中, 源域或目标域不同的形状表示不同的类别. 可以看出, 我们选择的数据集的源域与目标域的
数据分布存在较大的差异, 适合具有挑战性的域适应研究.
3.2.4 人工合成数据集
为进一步验证 TPN 在不同类型时序数据上的泛化能力, 并弥补现有真实数据集在数据分布和复杂性上的局
限, 我们采用 Prophet 模型生成了一组人工合成数据集. Prophet [31] 是一种基于时间序列分解的预测模型, 能够模拟