Human activity recognition (HAR) is an active field in ubiquitous computing and body area network (BAN), which has been widely applied in medical care, sport and smart home. In recent years, a lot of methods based on deep learning show great performance on HAR. In consideration of the temporal and spatial dependencies of time series, the extracted features of traditional methods are not comprehensive. In this paper, we propose a new activity recognition framework based on spatiotemporal multi-feature extraction with space and channel based squeeze-and-excitation blocks (SCbSE-SMFE). The framework includes a temporal feature extraction layer composed of gated recurrent unit (GRU) blocks, a spatial feature extraction layer composed of convolutional neural networks (CNN) blocks with SCbSE blocks, a statistical feature extraction layer and an output layer. Meanwhile, regarding the actual needs for recognizing aggressive activities, we simulate the prison environment and collect an aggressive activity dataset (AAD). What’s more, aiming at the characteristics of aggressive activities, a threshold-based aggressive activity detection method is proposed to reduce the computational complexity. The proposed framework is evaluated on the public dataset WISDM and the collected dataset AAD, and the results prove that the proposed SCbSE-SMFE framework can effectively improve the accuracy and distinguish similar activities better. The proposed aggressive activity detection method based on threshold can simplify the model and improve the recognition speed while ensuring the recognition accuracy.

人类活动识别（HAR）是无处不在的计算和人体局域网（BAN）的活跃领域，已广泛应用于医疗，运动和智能家居。近年来，许多基于深度学习的方法在HAR上表现出出色的性能。考虑到时间序列的时间和空间依赖性，传统方法的提取特征并不全面。在本文中，我们提出了一个新的基于时空多特征提取的活动识别框架，该框架具有基于空间和通道的挤压和激发块（SCbSE-SMFE）。该框架包括由门控循环单元（GRU）块组成的时间特征提取层，由具有SCbSE块的卷积神经网络（CNN）块组成的空间特征提取层，统计特征提取层和输出层。同时，关于识别攻击活动的实际需求，我们模拟了监狱环境并收集了攻击活动数据集（AAD）。针对攻击行为的特点，提出了一种基于阈值的攻击行为检测方法，以降低计算量。对公开数据集WISDM和收集的数据集AAD进行了评估，结果表明，提出的SCbSE-SMFE框架可以有效地提高准确性，更好地区分同类活动。提出的基于阈值的攻击性活动检测方法可以简化模型，提高识别速度，同时保证识别的准确性。关于识别激进活动的实际需求，我们模拟了监狱环境并收集了激进活动数据集（AAD）。针对攻击行为的特点，提出了一种基于阈值的攻击行为检测方法，以降低计算量。对公开数据集WISDM和收集的数据集AAD进行了评估，结果表明，提出的SCbSE-SMFE框架可以有效地提高准确性，更好地区分同类活动。提出的基于阈值的攻击性活动检测方法可以简化模型，提高识别速度，同时保证识别的准确性。关于识别激进活动的实际需求，我们模拟了监狱环境并收集了激进活动数据集（AAD）。针对攻击行为的特点，提出了一种基于阈值的攻击行为检测方法，以降低计算量。对公开数据集WISDM和收集的数据集AAD进行了评估，结果表明，提出的SCbSE-SMFE框架可以有效地提高准确性，更好地区分同类活动。提出的基于阈值的攻击性活动检测方法可以简化模型，提高识别速度，同时保证识别的准确性。针对攻击行为的特点，提出了一种基于阈值的攻击行为检测方法，以降低计算量。对公开数据集WISDM和收集的数据集AAD进行了评估，结果表明，提出的SCbSE-SMFE框架可以有效地提高准确性，更好地区分同类活动。提出的基于阈值的攻击性活动检测方法可以简化模型，提高识别速度，同时保证识别的准确性。针对攻击行为的特点，提出了一种基于阈值的攻击行为检测方法，以降低计算复杂度。对公开数据集WISDM和收集的数据集AAD进行了评估，结果表明，提出的SCbSE-SMFE框架可以有效地提高准确性，更好地区分同类活动。提出的基于阈值的攻击性活动检测方法可以简化模型，提高识别速度，同时保证识别的准确性。结果表明，提出的SCbSE-SMFE框架可以有效地提高准确性，更好地区分同类活动。提出的基于阈值的攻击性活动检测方法可以简化模型，提高识别速度，同时保证识别的准确性。结果表明，提出的SCbSE-SMFE框架可以有效地提高准确性，更好地区分同类活动。提出的基于阈值的攻击性活动检测方法可以简化模型，提高识别速度，同时保证识别的准确性。