利用时间戳监督的联合活动分割和识别方法，通过估计原型、生成样本级伪标签以及最优运输理论，以改善人类活动识别和时间序列分割问题。

Oct, 2023

研究了使用机器学习对移动对象的活动进行分类的问题，并提出了一种半监督的机器学习方法，该方法通过将轨迹分段并自动标记，最后训练基于卷积神经网络的深度学习分类模型来实现高精度分类，此方法已在一个三轮车装配车间的数据集上进行了评估。

Jan, 2023

本文提出了一种基于非监督统计特征引导扩散模型的传感器数据的人类活动识别方法，通过利用统计信息来生成多样化和代表性的合成传感器数据。研究结果表明，所提出的方法可以提高人类活动识别的性能并胜过现有技术。

May, 2023

本文探讨了一种新型深度结构模型，它可以通过卷积神经网络自适应地将活动实例逐个分解为时间部分，将其进一步分配到深度体系结构的零部件中，有效解决了人类活动识别方面的挑战，此方法已在多种拥有复杂情境的实验中得到了验证。

Dec, 2015

本文提出了一种基于 RGB-D 视频的自动活动识别的深度模型，使用 3D 卷积和最大池化算子，结合激活函数以及学习出活动的时间结构，该模型可以直接作用在原始输入上进行活动分类，而且还允许动态调整模型结构以适应人类活动的时间变化，并在挑战性场景下验证了该方法的优越性，同时还给出了一个大型的 RGB-D 视频人类活动数据库。

Jan, 2015

通过多模态对比预训练方法 MuJo，利用视频、语言、姿势和 IMU 传感器数据，改善了不同模态下的人类活动识别性能，在 MM-Fit 数据集上达到了令人印象深刻的宏平均 F1-Score 为 0.992 和 0.999 的分类效果，同时展示了最高达 0.638 的泛化性能。

Jun, 2024

本文研究怎样利用加速度计和深度学习方法实现人类活动识别效果更准确，并且避免手工特征设计的问题，该方法可利用海量未标记数据进行特征提取。同时，本文还提出了基于深度学习和隐马尔可夫模型（DL-HMM）的分层识别方法，此方法将深度学习模型的分层表征与 HMM 的时序建模相结合，实现了对人类活动的精准识别，有效改进了以往算法的性能。

Nov, 2015

本文提出了一种基于自监督技术的特征学习方法，应用于无形标签的传感器数据。该方法可以应用于人类活动识别等领域，可以通过转化识别任务提供监督信号提取有价值的特征，并在智能手机环境下的无人监督、半监督和迁移学习的情况下实现了与完全监督网络相当甚至更好的性能。该技术可被广泛应用于其他领域。

Jul, 2019

该论文介绍了一种无监督方法，通过基于人类活动的特性将人类活动投射到一个嵌入空间中，在该空间中相似的活动会紧密地聚集在一起，从而帮助聚类算法实现对人类活动的识别和分类，相较于直接应用于原始数据集的非监督技术，我们的方法在识别和分类潜在人类活动方面取得了更好的性能。

Jul, 2023

本文提出了一种基于 U-Net 的 HAR 算法，通过将加速度计的活动数据映射为具有单像素列和多通道的图像输入到神经网络进行训练和识别，从而实现像素级姿态识别，无需手动特征提取，能够有效识别长期活动序列中的短期行为，与其他六种机器学习方法相比，该算法在各数据集中具有最高的准确性和 F1 得分，并具有稳定表现和高鲁棒性，同时实现了快速识别速度。

Sep, 2018