通过手机传感器收集的活动数据可可靠地预测人的个性。使用从加速度计记录和运动模式计算出的指标，我们能够在两类问题上预测用户的个性，F1 得分最高可达 0.78。这些新颖的个性指标为社会科学的未来研究开辟了新的途径。我们的结果揭示了不同的行为模式，这些模式对五个大的人格特征有不同的预测作用。它们为无问卷调查地研究与个性相关的问题提供了成本效益高、前所未有规模的可能性。总体而言，本文展示了通过智能手机传感和机器学习技术获取丰富的行为数据如何促进个性研究，并能够为从业者和研究人员提供有关个性不同行为模式的信息。这些发现对于利用移动传感器数据进行个性评估的组织具有实际意义，并将指导未来更精确和高效的预测模型的改进。

Jan, 2024

该研究总结了现代智能手机上常见的传感器，并提出了一个利用这些传感器模拟人与智能手机之间交互的维度分类法。其应用包括神经运动技能、认知功能和行为或例行程序，尤其关注用户认证方面的应用。通过使用人类移动交互的新型多模式数据库（HuMIdb 数据库），以深度学习中的连体神经网络为基础，该研究还检验了一个基于简单线性触摸手势的生物识别认证系统，达到了 87% 的准确率。

Jun, 2020

为了有效地进行数字化接触追踪，我们提出了一种新的系统，通过蓝牙低功耗信号和其他设备传感器（加速计、磁力计、陀螺仪）的联合模型来估计成对个体接近度，并探索多种方法来解释传感器数据流以及使用多种统计和深度学习方法来学习传感接近度的表示，并报告规范化决策成本函数（nDCF）度量值，分析各种输入信号的差异影响，并讨论相关挑战。

Sep, 2020

通过灵活可穿戴摩擦电传感器和深度学习辅助数据分析的协同集成，我们设计了一个强大而智能的医疗物联网系统，实现了对帕金森病患者肢体运动的准确检测和细致分析，从而为患者的状况提供了有见地的反馈和综合评估。

Sep, 2023

该研究提出了一种分布式的基于手机的环境温度估计系统，能够通过多台手机的协作来准确测量室内空间中每个小区域的环境温度。此外，它还提供了一种安全、高效和经济的训练策略，为每个新增加的手机训练一个新的估计模型，消除了手动收集标记数据的需求。这种创新的训练策略可以仅通过 5 个数据点和几次迭代为新手机生成一个性能良好的估计模型。同时，通过众包，我们的系统自动为所有新增收集的数据提供准确的推断标签。最后，我们还强调了将联邦学习集成到我们的系统中以确保隐私保护的潜力。我们相信该研究有助于推动基于手机的环境温度测量的实际应用，促进建筑节能。

Apr, 2024

本研究对 Mhealth 数据进行了分析，并使用了几种机器学习算法来预测人类的运动行为和健康状态，最终结果表明 XGBoost 相对其他算法表现更好。这项研究对于使用 Mhealth 预测一个人对特定运动比赛是否适合有着很大的前景和潜力。

Apr, 2023

该论文提出了一种利用手机内置的加速度计传感器数据来识别用户身份的方法，通过建立一个随机森林分类模型，从步行数据样本中提取时间和频率信息特征。实验结果表明，该模型具有 0.9679 的准确率和 0.9822 的曲线下面积（AUC），可为智能手机提供一种低成本、高效的用户身份认证方法。

Nov, 2017

本文综述了机器学习在发展基于惯性传感器以及生理和环境传感器的人类活动识别应用中所扮演的重要角色。

Apr, 2020

本文提出了针对多占用环境基于接近交互的传感器激活辨识计算机模型，利用 UWB 和二进制传感器进行了案例研究，可用于经典的 HAR 模型降低多占用问题的复杂度。

Nov, 2022

使用智能手机的惯性传感器，以无约束状态采集步态数据，通过深度学习技术学习建模，提出了一种有效的步态识别方法，使得人员身份鉴别和认证性能高于 93.5% 和 93.7%。

Nov, 2018