动作分类器用作动作质量评估器的可行性及优化方案技术问询

问题1：高准确率动作分类器能否直接用作动作评估器 #

不能直接认定。
分类器的训练目标是区分不同动作类别，只要传感器时序特征匹配对应类别的模式，就能给出高置信度的分类结果，完全不关注同一类别下动作的完成精细度。以你提到的1-2秒舞蹈动作为例：用户做wave动作时哪怕上肢幅度只有标准动作的30%，只要加速度、陀螺仪的时序变化规律和wave类别特征匹配，分类器完全可以给出100%的分类置信度，但这个动作的实际完成度显然不合格。
只要你的数据集只有类别标注、没有动作完成度的质量标注，分类器从训练阶段就没有学到“好动作和差动作的差异”，哪怕分类准确率再高，也不具备动作评估的能力。

问题2：基于置信度阈值的动作评估方案是否合理 #

该方案仅具备极其有限的合理性，仍然无法证明鲁棒的分类器可直接作为评估器使用。
有限合理性仅体现在：已知目标动作是X的前提下，模型对X的置信度极低（比如你说的40%），说明用户动作的模式和X偏差极大，基本可以判定为动作做错。
但置信度和动作质量没有直接绑定关系：同一类别下幅度不足、节奏偏差、发力错误的动作，只要整体模式还落在X类的分类边界内，完全可以拿到90%以上的高置信度，实际完成度却可能只有及格线以下。同时置信度还会受到很多和质量无关的因素干扰，比如手机握持姿势偏移、动作方向小幅度偏离样本采集时的朝向，都会导致置信度异常波动，鲁棒性完全达不到动作评估的要求。

问题3：输入统计特征到注意力模型的方案可行性如何 #

该方案理论成立，落地可行性很高。
你选的25th百分位、50th百分位、75th百分位、均值、标准差这些统计特征，刚好可以捕捉动作的幅度、波动程度、极值分布等和质量高度相关的信息，比原始时序数据更容易让模型提炼出质量判断的逻辑。搭配注意力机制后，模型可以自动给和质量相关性更高的特征段、时序节点分配更高权重，比如评估跳跃动作时自动聚焦起跳、落地瞬间的加速度峰值特征，能大幅拉近分类器输出和动作评估结果的匹配度。
要达到可用的评估效果，只需要给现有数据集补充少量带完成度标注的样本（比如标注1-10分的动作得分，样本量只要达到分类训练样本的10%左右即可），不需要重新采集全量数据，落地成本很低。

内容的提问来源于stack exchange，提问作者Bendemann