这篇论文的标题是《Recognition of human activities based on ambient audio and vibration data》，作者是 Marcel Koch 等人，发表在 IEEE Access 期刊上。论文提出了一种基于环境音频和振动数据的分布式多传感器系统，用于识别人类活动。以下是论文的主要内容概述：

摘要：

• 传统的人类活动识别（HAR）系统主要依赖于计算机视觉或可穿戴传感器，但这些方法存在隐私问题、高计算能力需求和频繁的电池充电需求等限制。
• 本文提出了一种基于环境音频和振动数据的分布式多传感器系统，用于智能家庭环境中的人类活动识别。
• 系统包括多个环境多传感器节点（AMSNs）和一个数据传输分析系统，后者包括物联网网关和MQTT代理。
• 使用机器学习算法对AMSNs获取的数据进行分类，采用ResNet模型分析环境声学信号，使用编码器网络对振动数据进行分类。
• 通过在真实环境中记录的数据集进行实证评估，结果表明基于音频和振动的数据可以用于准确检测活动，无需专门的传感器设备。

关键词：

• 物联网（IoT）
• 机器学习
• 人类活动识别（HAR）
• 环境智能

引言：

• 介绍了人类活动识别（HAR）的重要性和应用领域，如机器人、医疗保健和智能家居环境。
• 讨论了基于计算机视觉和可穿戴传感器的传统HAR方法的局限性。

相关工作：

• 回顾了使用可穿戴传感器、音频数据和合成传感器进行HAR的研究进展。

论文贡献：

• 提出了一种基于分布式环境音频和振动数据源的高准确度HAR方法。
• 介绍了一个分布式多传感器系统，包括数据采集、传输和处理。
• 通过实验评估了所提出方法的有效性。

分布式多传感器系统：

• 描述了系统的总体架构，包括数据采集层、数据传输层和数据存储处理层。
• 详细介绍了环境多传感器节点（AMSNs）的构成。

数据处理和分类：

• 介绍了数据处理和分类方法，包括数据预处理、特征提取和分类。
• 描述了用于振动数据的编码器模型和用于音频数据的ResNet模型。
• 提出了一种多输入模型，用于结合音频和振动数据。

实验评估：

• 在真实环境中进行了实验，记录了25种不同活动的数据库。
• 描述了实验环境、数据记录过程和数据集。
• 讨论了数据清洗和同步过程。

结果：

• 评估了使用不同传感器模态（振动、音频或音频和振动的组合）的分类性能。
• 分析了使用不同数量的AMSNs对分类准确性的影响。
• 比较了合并数据和组合传感器预测方法的分类准确性。
• 讨论了难以分类的活动和可以准确识别的活动。

讨论：

• 分析了使用一个或多个AMSNs进行深度学习方法的实验结果。
• 讨论了未来研究的计划，包括使用半监督学习和联邦学习方法。

结论：

• 总结了实验结果，强调了分布式AMSN系统在HAR中的潜力和挑战。

参考文献：

• 列出了与人类活动识别相关的研究文献。

论文的实验部分详细记录了在真实环境中进行的实验，包括参与者的同意、实验的伦理审查以及数据的收集和处理。实验结果表明，所提出的方法能够以高准确度检测和分类多种人类活动。论文还讨论了未来的研究方向，包括模型压缩和联邦学习等。