数据融合是与所有数据源“战斗”的最可能方式。但是，另外，我强烈建议强加一个本体和一些规则。

基本上你可以做的是以下几点：

- 接近信标（随时了解用户在哪个房间）基于此传感器数据，您可以引入定位，决策树可能是最合适的方式，同时强加一些明确的手动添加规则（如果人在这个房间，然后进入这个房间，等等）。基本上，在进行整体数据融合之前，本地化可能真的有助于提高准确性，因为您可以将本体引入可以在某些房间中完成的特定活动。（例如，预计此人不会在厨房或浴室中奔跑）。

来自地板的地面压力——这种类型的传感器对于定位也非常有用。

此外，在数据融合之前，腕部数据读数的加速度计应经过仔细预处理。我强烈建议找到一种很好的方法来消除偏差（左撇子/右撇子）以及如何消除直流分量（即地球引力场的整体重力，也消除这种偏差）

我最终使用了多输入神经网络，其中每个输入用于每个源。

也称为数据融合。