Smartphones are equipped with precise hardware sensors including accelerometer, gyroscope, and magnetometer. These devices provide real‐time semantic data that can be used to recognize daily life physical activities for personalized smart health assessment. Existing studies focus on the recognition of simple physical activities but they lacked in providing accurate recognition of physical activities having complex interclass variations. Therefore, this research focuses on the accurate recognition of physical activities having complex interclass variations. We propose a two‐layered approach called PARCIV that first clusters similar activities based on semantic data and then recognize them using a machine learning classifier. Our two‐layered approach first bounds the highly indistinguishable activities in clusters to avoid misclassification with other distinguishable activities and thereafter recognize them on a fine‐grained level within each cluster. To evaluate our approach, we make an android application that collects labeled data by using smartphone sensors from 10 participants, while performing activities. PARCIV recognizes distinguishable as well as indistinguishable activities with high accuracy of 99% on the self‐collected dataset. Furthermore, PARCIV achieve 95% accuracy on the publicly available dataset used by state‐of‐the‐art studies. PARCIV outperforms various state‐of‐the‐art studies by 8%‐17% for simple activities as well as complex activities.

中文翻译：

---

PARCIV：使用智能手机的语义数据识别具有复杂类间变化的身体活动

智能手机配备了精确的硬件传感器，包括加速度计、陀螺仪和磁力计。这些设备提供实时语义数据，可用于识别日常生活中的身体活动，以进行个性化的智能健康评估。现有研究侧重于对简单身体活动的识别，但缺乏对具有复杂类间变化的身体活动的准确识别。因此，本研究的重点是准确识别具有复杂类间变化的体育活动。我们提出了一种称为 PARCIV 的两层方法，它首先基于语义数据对相似的活动进行聚类，然后使用机器学习分类器识别它们。我们的两层方法首先对集群中高度不可区分的活动进行界定，以避免与其他可区分活动的错误分类，然后在每个集群内的细粒度级别上识别它们。为了评估我们的方法，我们制作了一个 Android 应用程序，该应用程序在执行活动时使用来自 10 名参与者的智能手机传感器收集标记数据。PARCIV 在自收集数据集上以 99% 的高精度识别可区分和不可区分的活动。此外，PARCIV 在最先进研究使用的公开可用数据集上实现了 95% 的准确率。对于简单活动和复杂活动，PARCIV 的性能比各种最先进的研究高 8%-17%。为了评估我们的方法，我们制作了一个 Android 应用程序，该应用程序在执行活动时使用来自 10 名参与者的智能手机传感器收集标记数据。PARCIV 在自收集数据集上以 99% 的高精度识别可区分和不可区分的活动。此外，PARCIV 在最先进研究使用的公开可用数据集上实现了 95% 的准确率。对于简单活动和复杂活动，PARCIV 的性能比各种最先进的研究高 8%-17%。为了评估我们的方法，我们制作了一个 Android 应用程序，该应用程序在执行活动时使用来自 10 名参与者的智能手机传感器收集标记数据。PARCIV 在自收集数据集上以 99% 的高精度识别可区分和不可区分的活动。此外，PARCIV 在最先进研究使用的公开可用数据集上实现了 95% 的准确率。对于简单活动和复杂活动，PARCIV 的性能比各种最先进的研究高 8%-17%。PARCIV 在最先进研究使用的公开数据集上实现了 95% 的准确率。对于简单活动和复杂活动，PARCIV 的性能比各种最先进的研究高 8%-17%。PARCIV 在最先进研究使用的公开数据集上实现了 95% 的准确率。对于简单活动和复杂活动，PARCIV 的性能比各种最先进的研究高 8%-17%。