各种可穿戴设备的流行允许执行人类活动识别。然而，当使用许多传感器时，选择有效特征仍然很复杂。最近 arXiv.org 上的一篇论文提出了一种新颖的多阶段训练方法来克服当前的困难。

一种新颖的深度卷积神经网络架构可以从众多转换空间中提取特征，而不是依赖于单个空间。然后使用多阶段顺序训练将单独的网络组合起来，以获得最稳健和准确的特征表示。

该方法以较少的训练数据量实现优化并避免噪声或其他扰动。它以 11.49% 的平均改进优于最先进的方法。该方案还可以应用于需要训练部署数据转换表示的神经网络的其他领域。

深度神经网络是利用来自各种可穿戴传感器的数据自动识别人类行为的有效选择。这些网络完全依赖数据自动执行特征提取过程。然而，时间序列数据中的各种噪声以及传感器之间复杂的模态间关系使这个过程变得更加复杂。在本文中，我们提出了一种新颖的多阶段训练方法，该方法增加了该特征提取过程的多样性，通过结合从不同角度提取的各种特征来准确识别动作。最初，不是使用单一类型的转换，而是在时间序列数据上采用多种转换，以获得原始数据中编码的特征的多样化表示。提出了一种有效的深度 CNN 架构，可以单独训练它从不同的转换空间中提取特征。后来，这些 CNN 特征提取器被合并成一个优化架构，通过组合训练阶段或多个顺序训练阶段优化多样化的提取特征。这种方法提供了利用多种观察窗口探索原始传感器数据中的编码特征的机会，这些观察窗口具有有效选择最终收敛特征的巨大范围。在三个公开可用的数据集中进行了广泛的实验，这些数据集始终提供出色的性能，在 UCI HAR 数据库上的平均五倍交叉验证准确率为 99.29%，在 USC HAR 数据库上为 99.02%，以及 97。