MLP-HAR：利用纯全连接层提升边缘设备人体活动识别模型的性能与效率

神经网络模型在可穿戴设备的人体活动识别任务中展现出卓越的性能。然而，模型规模或复杂度的增加严重影响其在计算能力有限的 可穿戴设备上的部署。本研究提出了一种名为多层感知机人体活动识别(MLP-HAR)的新型模型架构，该模型仅包含全连接层。该模型专门针对人体活动识别任务的独特特征设计，如多模态交互和全局时间信息。MLP-HAR模型采用在全连接层中交替沿模态和时间维度操作的方式，实现这些维度之间的多次信息融合。我们提出的模型在六个开源数据集上展示了与其他先进人体活动识别模型相当的性能，同时使用更少的可学习参数且模型复杂度更低。具体而言，我们模型的复杂度至少比TinyHAR模型小十倍，比基准模型DeepConvLSTM小数百倍。此外，由于其纯全连接层的架构，MLP-HAR具有易于部署的优势。