method is adopted to enhance the generalization ability of SCNs.At the'same time,the method of using the supervision mechanism to restrict the generation of hidden layer parameters greatly improves the lightness of the SCNs model.Finally. the proposed learning model and other learning models are verified experimentally on UCI human activity recognition dataset.The experimental results show that,compared with SCNs,the proposed L2-SCNs model reduces the lightness of the number of parameters by 20%and helps improve the accuracy of the model.The introduction of the NCA method has greatly facilitated the recognition accuracy and lightness (modeling time)of the L2-SCNs model,increasing by 3.41%and 70.24% respectively.In addition,compared with other state-of-the-art models such as support vector machine and long short memory network,the proposed model achieves the best recognition accuracy of 97.48%in the shortest time.To sum up,the model proposed in this paper is a lightweight human activity recognition model with better recognition accuracy and faster modeling speed KEY WORDS human activity recognition;smartphone;neighborhood components analysis,stochastic configuration networks;lightweight 随着微电子技术和计算机技术的快速发展，人体行为识别(Human activity recognition,.HAR)已 经成为普适计算中一个重要研究方向.其在医疗保健、智能建筑和军事等领域发挥着极其重要的作 用.例如：在医疗保健中，医生可以通过HAR系统对病人进行连续的观察，然后给出诊断和治疗方 案)，进而提高医疗资源的利用率：在智能建筑中，物业人员可以利用居住者的行为信息来提高环 境舒适度和实现能源的高效使用6在军事上，通过对军人体能训练的连续监测，可以防止由于过 度疲劳而导致意外损伤) 事实上，人体行为识别研究的源头可以追潮到20世纪90年代末倒，发展至今日，其主要分为 基于视频和基于可穿戴传感器这两大方向.基于视来织别人体行为具有一定的破坏性、成本昂贵 和容易受环境影响（如：物体遮挡）等缺点，并且某些情况下容易侵犯用户的隐私.而基于可穿 戴传感器的识别提供了一种快速、低成本、隐私性好且不易受环境影响的替代方案.文[9]首先使用 可穿戴传感器收集人体行数据，其次分别利角随桃森林(Random Forests,RF)和朴素贝叶斯模型作为 行为分类器.实验结果表明，随机森林模型实现最好的92%识别精度：文[10]将高斯随机投影方法 引入极限学习机(Extreme Learning Machine,ELM)隐含层参数分配中，以加强模型的多样性，然后 使用包含三轴加速度和陀螺仪传感器数据的2个真实数据集进行人体行为识别研究，结果表明该分 类器在两个数据集上分别实现了9⑦，3%和98.88%的识别精度.由此可知，多传感器数据的使用有助 于提高人体行为识别的识别性能但上述可穿戴传感器存在价格昂贵、部署繁琐等难题，不利于 HAR的广泛实际应用. 智能手机因内置众多传感器、价格低廉和普适性等特点成为它们的替代品，并吸引许多科研工 作者开展基于智能手机的人体行为识别研究.由于智能手机传感器数据含有噪声，因此为分类模型 提取一组鲁棒性特征是非常有必要的.而时频域特征是一种机器学习中广泛使用的鲁棒性特征.其中， 时域特征包括评均值最大值和最小值等，它们一般被用来区分lying和standing等简单行为：而 频域特征是指通过蒋原始数据转化到频域再提取的特征，它包括向量夹角和最大频率分量等.由于 频域特征注重局部的数据变化，因此被用来区分模态相近的行为.但是，在时频域特征中往往含有 一些不利于建模的特征，故需要进行特征选择.文[ll]首先使用主成分分析(Principal component analysis,PCA)从时频域特征集选择最优的特征子集，其次提出了隐马尔科夫模型(Continuous Hidden Markov Model,HMM)和SVM相结合的识别模型.比较实验的结果表明，HMM-SVM模型的识别性 能远高于HMM和SVM.文[12]使用离线提取器从候选的时频域特征集中选择对传感器方向不敏感 特征进行人体行为识别，并利用K近邻(K-nearest neighbors,K-NN)进行仿真实验，结果表明这种方法 能够用更少的特征取得相近或更好的识别性能.然而上述特征选择技术仅仅关注了特征的冗余性， 收稿日期：2021-03-16 基金项目：国家自然科学基金面上项目(61973306)，江苏省优秀青年基金项目(BK20200086)method is adopted to enhance the generalization ability of SCNs. At the 1 same time, the method of using the supervision mechanism to restrict the generation of hidden layer parameters greatly improves the lightness of the SCNs model. Finally, the proposed learning model and other learning models are verified experimentally on UCI human activity recognition dataset. The experimental results show that, compared with SCNs, the proposed L2-SCNs model reduces the lightness of the number of parameters by 20% and helps improve the accuracy of the model. The introduction of the NCA method has greatly facilitated the recognition accuracy and lightness (modeling time) of the L2-SCNs model, increasing by 3.41% and 70.24% respectively. In addition, compared with other state-of-the-art models such as support vector machine and long short memory network, the proposed model achieves the best recognition accuracy of 97.48% in the shortest time. To sum up, the model proposed in this paper is a lightweight human activity recognition model with better recognition accuracy and faster modeling speed. KEY WORDS human activity recognition; smartphone; neighborhood components analysis; stochastic configuration networks; lightweight 随着微电子技术和计算机技术的快速发展，人体行为识别(Human activity recognition, HAR)已 经成为普适计算中一个重要研究方向. 其在医疗保健、智能建筑和军事等领域发挥着极其重要的作 用.例如：在医疗保健中，医生可以通过 HAR 系统对病人进行连续的观察，然后给出诊断和治疗方 案[1-3]，进而提高医疗资源的利用率；在智能建筑中，物业人员可以利用居住者的行为信息来提高环 境舒适度和实现能源的高效使用[4-6] . 在军事上，通过对军人体能训练的连续监测，可以防止由于过 度疲劳而导致意外损伤[7] . 事实上，人体行为识别研究的源头可以追溯到 20 世纪 90 年代末[8]，发展至今日，其主要分为 基于视频和基于可穿戴传感器这两大方向. 基于视频来识别人体行为具有一定的破坏性、成本昂贵 和容易受环境影响（如：物体遮挡）等缺点，并且在某些情况下容易侵犯用户的隐私. 而基于可穿 戴传感器的识别提供了一种快速、低成本、隐私性好且不易受环境影响的替代方案. 文[9]首先使用 可穿戴传感器收集人体行数据，其次分别利用随机森林(Random Forests, RF)和朴素贝叶斯模型作为 行为分类器. 实验结果表明，随机森林模型实现最好的 92%识别精度；文[10]将高斯随机投影方法 引入极限学习机(Extreme Learning Machine, ELM)隐含层参数分配中，以加强模型的多样性，然后 使用包含三轴加速度和陀螺仪传感器数据的 2 个真实数据集进行人体行为识别研究，结果表明该分 类器在两个数据集上分别实现了 97.35%和 98.88%的识别精度. 由此可知，多传感器数据的使用有助 于提高人体行为识别的识别性能. 但上述可穿戴传感器存在价格昂贵、部署繁琐等难题，不利于 HAR 的广泛实际应用. 智能手机因内置众多传感器、价格低廉和普适性等特点成为它们的替代品，并吸引许多科研工 作者开展基于智能手机的人体行为识别研究. 由于智能手机传感器数据含有噪声，因此为分类模型 提取一组鲁棒性特征是非常有必要的. 而时频域特征是一种机器学习中广泛使用的鲁棒性特征. 其中， 时域特征包括平均值、最大值和最小值等，它们一般被用来区分 lying 和 standing 等简单行为；而 频域特征是指通过将原始数据转化到频域再提取的特征，它包括向量夹角和最大频率分量等. 由于 频域特征注重局部的数据变化，因此被用来区分模态相近的行为. 但是，在时频域特征中往往含有 一些不利于建模的特征，故需要进行特征选择. 文[11]首先使用主成分分析(Principal component analysis, PCA)从时频域特征集选择最优的特征子集，其次提出了隐马尔科夫模型(Continuous Hidden Markov Model, HMM)和 SVM 相结合的识别模型. 比较实验的结果表明，HMM-SVM 模型的识别性 能远高于 HMM 和 SVM. 文[12]使用离线提取器从候选的时频域特征集中选择对传感器方向不敏感 特征进行人体行为识别, 并利用 K 近邻(K-nearest neighbors, K-NN)进行仿真实验, 结果表明这种方法 能够用更少的特征取得相近或更好的识别性能. 然而上述特征选择技术仅仅关注了特征的冗余性， 1收稿日期: 2021-03-16 基金项目: 国家自然科学基金面上项目(61973306); 江苏省优秀青年基金项目(BK20200086) 录用稿件，非最终出版稿