无需训练：用于可执行人类活动识别的智能体启发式学习工作室

# 无需训练：面向可执行人体活动识别的智能体启发式学习工作室
来源：https://arxiv.org/html/2609.16065
会议：2026年ACM国际普适与泛在计算联合会议附录；2026年10月11-15日；中国上海（ACM国际普适与泛在计算联合会议附录 (UbiComp Companion '26)）
DOI:10.1145/3798063.3837307 (https://doi.org/10.1145/3798063.3837307)
ISBN:979-8-4007-2533-3/2026/10
CCS：以人为中心的计算 普适与移动计算系统及工具
作者：Siyu Yuan, He Zhang（隶属：中国陕西省西安市西北工业大学），Sizhen Bian（隶属：中国陕西省西安市西北工业大学），Bin Guo（隶属：中国陕西省西安市西北工业大学）

© cc

###### 摘要

人体活动识别通常被建模为神经网络的梯度训练问题。智能体启发式学习工作室从人类认知学习的互补视角进行探索：人类通过记忆范例、形成规则和修复错误来学习活动，而非通过反向传播。本研究提出的工具为人体活动识别实现了智能体启发式学习：一个学习时智能体对传感器协议进行推理，提出可执行的启发式策略，记录修复轨迹，并导出一个无需大语言模型的策略用于边缘部署。我们聚焦于人体活动识别基准测试集族，并提供从数据集观察到面向边缘导出的端到端工作流程。在目前已评估的十一个人体活动识别数据集上，智能体启发式学习策略在保持可检查、可编辑和可重放的同时，达到了强大的可执行策略性能。

###### 关键词：

智能体启发式学习，人体活动识别。

†† cc-许可：by
参见图示 图1. AHL工作室提供端到端的人体活动识别工作流程。

## 1. 引言

人体活动识别是研究除神经网络权重外其他学习对象的天然领域，这符合启发式学习和反思型语言智能体的精神。人类通过将新动作与记忆中的范例进行比较、形成可重用规则并在反馈后纠正错误来学习“行走”、“坐立”或“举重”等活动。这种学习方式使用记忆、抽象和修复；它不需要反向传播。AHL工作室将这一直觉转化为工具：学习时智能体读取数据集描述，对传感器和协议进行推理，提出可执行的启发式策略，并记录每次修复为何有望带来帮助。这种视角对于可穿戴传感很有用，因为人体活动识别系统通常在严格约束下部署。模型可能需要在微控制器上运行、适应新的身体姿势、解释为何预测某项活动，或在研究者注意到故障案例后进行修正。深度神经网络很强大，但学习到的对象通常是不透明的参数向量。相反，AHL工作室将学习到的对象视为一个维护中的可执行系统：一个策略加上记忆、规则、回归检查、修复轨迹和压缩记录。重要的界限在于智能体并不部署。最终制品是一个紧凑的策略，包含特征视图、时间投票、受试者校准、原型记忆、树规则、回归测试和压缩记录。它可以像普通软件一样被检查、编辑、重放和导出。这使AHL工作室区别于手写规则和黑盒神经训练：系统通过智能体辅助的维护进行学习，但推理过程仍然无需大语言模型。本文做出四项贡献。首先，它将人体活动识别模型开发构建为智能体启发式学习，其中记忆、规则、反馈和修复是学习系统的显式组成部分。其次，它介绍了AHL工作室，一个端到端的工具，连接数据集和论文摄取、语法引导的策略发现、可编辑的策略重放以及面向STM32的部署导出。第三，它通过记录大语言模型提示、响应、令牌使用量、回退状态以及部署时与大语言模型推理的分离，引入了透明的学习成本核算。第四，它在人体活动识别基准测试上评估了可执行的智能体启发式学习策略，并将其与代表性的神经基线进行了比较。

## 2. 相关工作

可穿戴人体活动识别一直由从窗口化传感器流中学习时间表示的神经架构主导。DeepConvLSTM是广泛使用的卷积-循环基线，TinyHAR通过紧凑的时间建模提高效率，TinierHAR在广泛的人体活动识别基准测试集上进一步减少参数和乘加运算量，同时保持平均宏观F1分数。这些方法是强大的面向部署的神经基线，但其学习到的对象仍然是难以直接检查或修复的参数向量。经典的人体活动识别已经使用手工制作的描述符、最近原型、阈值规则和决策树，但这些系统通常是手动设计的，并未维护明确的修复轨迹。大型语言模型和反思型智能体的最新进展使得重新审视启发式系统作为学习对象成为可能。从这个角度看，智能体可以阅读数据集描述和相关论文，推理传感协议，提出修复方案，并记录候选策略为何有望带来帮助。然而，最终部署的制品仍然是普通的可执行软件，而非大语言模型或神经运行时。因此，我们的提案围绕研究最广泛的人体活动识别基准测试族来组织。这种选择使得工具具体化：挑战版本聚焦于可穿戴人体活动识别研究者面临的真实协议和部署问题，而不是将AHL工作室呈现为一个通用的机器学习接口。

## 3. 端到端工具

图1总结了从数据集到边缘部署的完整路径。研究者指定一个人体活动识别数据集、协议、目标指标和相关的最先进论文。应用程序提取数据集和论文笔记，推荐语法原语，运行多轮大语言模型辅助修复，显示维护轨迹，将最终策略暴露为可编辑的JSON格式，并导出面向MCU的部署包。

用户工作流程包含五个阶段。首先，用户提供人体活动识别数据集路径、协议、目标指标和可选的数据集注释。其次，用户上传相关的最新论文；工具提取相关的协议假设、模型基线和目标指标。第三，用户选择或接受推荐的语法原语。第四，学习时智能体执行多轮提议和修复。最后，选定的可执行策略可以被编辑、重放并导出到嵌入式项目文件夹中。

### 3.1. 启发式语法

AHL工作室使用有限的人体活动识别原语语法。时间原语包括序列投票、平滑、滞回和最小持续时间过滤器。运动原语包括信号幅度面积、能量、频域摘要和紧凑统计描述符。语义原语包括受试者校准、身体位置假设和树规则集成。记忆/原型基础包括类质心、类中位数、紧凑原型和度量记忆。每个原语在界面中都标注了预期的运行时成本、内存负载和可解释性。该语法并非旨在隐藏领域知识。相反，它使领域知识显式化且可执行。大语言模型不编写任意代码；它在选定的原语集合内提出修复方案。这种设计使学习过程可审计，并防止部署依赖于大语言模型运行时。

### 3.2. 智能体维护循环

每一轮学习包含观察、诊断、修复、验证和压缩。提示包括数据集摘要、最先进目标、选定的语法、先前的反馈和活跃的修复记忆。响应应包括失败假设、推理、候选策略增量、回归风险以及压缩计划。工具记录确切的提示、原始响应、解析后的策略提议、验证事件和提升决策。这个循环旨在使“思考”部分可见。AHL工作室不仅仅显示最终分数，而是展示为何提出某个提议：例如，当预测在相邻活动之间跳动时，可能会提出时间投票；当留出用户性能下降时，可能会提出受试者校准；当记忆检索有益但部署占用必须保持较小时，可能会提出紧凑原型。

### 3.3. 界面组件

图2展示了用于组织研究者面向的时间序列工作流程（从数据集规范到可执行策略导出）的原型AHL工作室界面。目标是让研究者完成原本分散在脚本、笔记本、API调用和嵌入式项目中的相同步骤。每个页面都会生成一个制品：提取的文档摘要、选定的语法原语、大语言模型提示-响应记录、候选日志、最终策略JSON和部署包元数据。策略编辑器尤其重要。最终策略不仅仅是一个像“随机森林”或“原型分类器”这样的标签。它是一个序列化的制品，暴露了诸如特征视图、原型数量、投票窗口、阈值、树深度、压缩模式和回归门控设置等参数。这是用户在智能体提出策略后可以应用人类修复的部分。

参见图示 图2. 用于时间序列分析（人体活动识别）的AHL工作室界面。该工具支持数据集和协议规范、智能体语法提议、智能体失败驱动学习、可执行策略检查和部署制品导出。

## 4. 学习成本与能耗核算

AHL工作室将学习成本视为一等输出。每次运行都存储模型提供者、提示文本、原始响应、令牌使用量，以及响应是来自外部大语言模型还是回退模式。表1报告了最近的审计记录。由于提供者端的能耗因模型和服务硬件而异，我们同时报告原始令牌统计数据和一个可配置的令牌-能耗代理值，其中是每千个令牌的能耗。关键的部署点独立于该系数：学习之后，导出的策略消耗零大语言模型令牌。令牌数并非作为能源测量的替代品。相反，它是一条使学习时资源使用可见的审计追踪。如果使用本地大语言模型，相同的核算可以与测量的GPU或CPU能耗相结合。如果使用商业API，该记录提供了一个模型无关的使用摘要，可以结合提供者定价或估计的每令牌能耗。在这两种情况下，AHL工作室都将学习时成本与推理时成本分开，这对于可穿戴部署至关重要。

表1. 来自AHL工作室原型的学习成本记录。

## 5. 可编辑策略示例

可执行策略的一个优势是它们可以在本地修复。例如，如果MotionSense策略在行走和慢跑之间出现标签跳动，智能体可能会提议增加时间投票窗口。研究者可以检查该提议，接受它，或手动编辑该值。由此产生的变化很小且可重放：

``
之前：{ "feature_view": "har_stats",
          "memory": {"type": "prototype", "k": 5},
          "rules": {"vote_window": 5} }
之后： { "feature_view": "har_stats",
          "memory": {"type": "prototype", "k": 7},
          "rules": {"vote_window": 9} }
```

此示例说明了预期的修复粒度。用户无需重新训练神经网络、重新生成所有候选方案或重写嵌入式项目。相反，用户编辑一个可执行字段，重新运行回归检查，并验证受保护的用例是否仍然有效。这就是人类学习类比变得实用的地方：系统保留记忆和规则，接收反馈，并更新行为的一个局部部分。

表2. 人体活动识别结果（F1分数），神经基线比较，以及STM32部署成本。

## 6. 人体活动识别结果

表2将AHL工作室与神经人体活动识别基线进行了比较。AHL工作室并非声称在所有数据集上都主导神经人体活动识别模型。相反，它表明一个由智能体维护的可执行策略通常足够强大以供使用，同时提供神经基线通常不具备的属性：可读的策略、修复轨迹、明确的回归检查和直接的部署导出。在表2中报告了神经基线的十个人体活动识别数据集上，AHL-TS在六个数据集上超越了列出的最强神经基线，在RecGym和SHO上保持在一个宏观F1点以内，在UCI HAR和HAPT上表现稍逊。所选策略也并非统一。MHEALTH和PAMAP2选择了质心记忆策略，而DSADS、HAPT、SHO、USCHAD和WISDM则需要树规则划分。这种多样性是有力的证据，表明AHL工作室是根据数据集行为在启发式族中进行选择，而非应用单一的自动机器学习模板。

## 7. 边缘部署