Z2.02.2Activity confusability设计研究
相似动作难以区分
别名: 混淆矩阵 · confusion matrix · 类别混淆
概念解释
活动识别的错误不是均匀撒在所有活动上，而是集中在信号相似的活动对之间：做饭与洗碗、走路与打扫、坐着看电视与坐着阅读。哪个对容易混，写在混淆矩阵（confusion matrix）里——它是识别引擎的标准评测产物，也应当是自动化设计的输入：你的自动化依赖的两类活动如果恰好是易混对，误触发就不是小概率意外，而是结构性必然。
「相似」不是表面动作像，而是在传感器的信号空间里像：摄像头看着完全不同的两个动作，在加速度计里可能是同一条曲线。
机制
相似性的三个来源，决定了对策完全不同：
- 共享底层特征：做饭和洗碗都发生在厨房、都有手部往复动作、都有水声——区分它们的信息（灶火、水流时长）要在信号里真的存在才可能利用。
- 区分信息在覆盖之外：区分「看电视」与「阅读」需要视线方向或环境声内容，加速度计原理上看不到——信息在物理世界里存在，但所选传感器采不到，加更好的模型无济于事，换传感器才有。
- 类别边界本身模糊：「打扫」何时结束、「整理」何时开始，是语言习惯不是物理事件——即使人类标注者互相也不一致。这类混淆没有工程解，只有类别定义的解。
推论：有些活动对任何传感器都分不开，因为它们的物理信号本就相同——隔着墙只听声音时，人也分不清隔壁在擦桌子还是在揉面。
怎么研究
- 混淆矩阵分析：任何识别研究的标准第一步。Bao 与 Intille 2004 年的二十类活动结果里，混淆集中在身体方式相近的活动之间（不同形式的走动、上下肢动作相近的家务），印证混淆的结构性。
- 真实家庭数据集：公开的智能家居数据集（如 CASAS 系列）提供环境传感器布设下的日常活动标注，可用来检查目标活动对在典型传感配置下的可分性，而不必自建采集。
- 类别定义研究：让多名标注者独立分割同一段活动录像，比较分歧点——分歧大的边界就是原理上模糊的类别边界。
方法论注意点：实验室脚本化采集会人为压低混淆（被试按要求做「标准动作」，边界清晰）；自然行为中的过渡与并行（边煮边打电话）才是混淆的高发区，评测要用自然数据。
边界
- 合并类别是合法手段。 「在厨房忙碌」比「做饭」可用性高得多——当两类活动在信号上不可分而下游动作又相同时，合并比强行区分诚实且更可靠。
- 混淆的代价取决于下游动作是否相同。 有些混淆毫无后果（深夜厨房，喝水还是宵夜都该开灯）；有后果的是那些下游动作不同的混淆——投入资源区分前先算这笔账。
- 换传感器只解决一部分。 它解决「信息存在但没采到」的混淆；解决不了「信息不存在」与「边界模糊」的两类。
怎么落地
- 向识别引擎的提供方索要混淆矩阵，或自测一份；对照你的自动化清单，标出依赖的活动对落在哪个混淆等级。
- 依赖「原理上分不开」的区分的自动化，重新设计：要么合并触发条件，要么给两种解释都安全的下游动作。
- 对易混对的误触发做低后果化：动作可逆、时长受限、执行前轻量确认。
- 验证办法：针对清单上的易混对，采集真实场景回放（比如在「洗碗」时段跑「做饭触发」的自动化），统计误触发率——这个数才是该自动化真实的错误基线。