阳 丽，邓芳明

(1.萍乡学院信息与计算机工程学院，江西 萍乡 337000；2.华东交通大学电气与自动化工程学院，江西 南昌 330013)

随着人工智能的发展和可穿戴传感器设备的普及，基于深度学习的人体活动识别(human activity recognition，HAR)得到了广泛关注，且具有巨大的应用价值[1]。例如，智能人体活动识别系统可以持续对家中的老年人或身体受损的人进行健康监测[2－4]。因此，准确地识别和记录人体的活动姿态，能够为人们提供更为精确的服务，利用传感器数据特点提取具有良好判别力的特征以提高基于传感器数据的HAR 准确率具有重要的意义。

当前主流的无线传感技术主要包含蓝牙(Bluetooth)、ZigBee 和无线局域网(WLAN)三种技术。这些无线技术易于构建无线传感器网络(WSN)，适用于故障诊断和环境监测[5－6]。然而它们都存在操作复杂度高、功耗高的缺点，必须采用电池或直流电源供电。这些具有辅助电源的无线传感器不仅成本高，而且受限于电池寿命，不适合应用于长期监测中[7]。当前无源无线传感器技术主要包含声表面波(SAW)技术和射频识别(RFID)技术两大类。SAW 无线传感器利用声表面波完成传感信号的采集，具有耐受恶劣环境(高、低温和射线辐照)的特点，但制作复杂且成本高，主要应用于电力系统等复杂环境监测领域[7]。RFID 技术利用射频信号通过空间耦合实现非接触信息传递，并通过所传递的信息达到识别目的。相比于现有的WSN 节点技术，基于超高射频RFID 技术的传感标签无线传输距离短，速率低，但得益于反向散射调制技术的采用，电路结构简单，功耗低，适合工作于无源状态[8－9]。……