本文介绍了一种使用双向长短期记忆残差网络架构以提高人类活动识别效率的方法，测试表明与以往相比，识别率提高了 4.78% 和 3.68%。
Aug, 2017
本文系统分类总结了利用低功率传感器进行人体活动识别的深度学习方法及其发展趋势和主要挑战，同时介绍了深度学习驱动人体活动识别的尖端技术和未来方向。
Oct, 2021
本文探讨了基于深度学习在普适计算中的人类活动识别（HAR）技术，介绍了如何使用具有创新性的正则化方法训练循环神经网络，提出了适用于 HAR 问题的模型，并通过多个随机实验说明了超参数的影响和模型的适用性。
Apr, 2016
通过训练多个基于相同架构、从给定数据集中随机选择的模型并使用加强学习算法确定最佳的模型子集，提出了一种名为 randomHAR 的集成方法，以优化集成过程而非组成模型的架构，在 6 个人体活动识别基准数据集上的实验结果表明：该方法表现优于当前最优方法 ensembleLSTM。
Jul, 2023
调查证实了大型语言模型在人体活动识别中可能通过训练中接触到传感器数据，可能对实验评估结果产生重要影响。
Jun, 2024
通过在两个人体活动识别数据集上进行广泛的实验研究，我们调查了常见的深度学习和机器学习方法以及不同的训练机制（如对比学习）和从传感器时间序列数据中提取的各种特征表示的性能，以评估它们在人体活动识别任务中的有效性。
Sep, 2023
通过 LSTM 模型构建 2 阶段深层次模型，从而更好地理解群体活动，利用这些动态实现群体活动识别，实验结果表明，该模型可以有效提高群体活动识别性能。
Nov, 2015
SelfAct 是一种新颖的人类活动识别框架，结合了自监督和主动学习，通过利用大量未标记的数据进行预训练，学习传感器数据的高效表示，并通过新的无监督主动学习策略进行微调，其结果接近或优于完全监督方法的结果。
Apr, 2023
本文提出了一种深度神经网络架构，利用自关注机制从多传感器时间序列数据中选择和学习重要时间点，以更好地解码人体活动，并在六个公共数据集上验证了该方法的有效性。
May, 2020
本研究基于一个大规模无标签数据集上学习的自监督表征及浅层多层感知器模型，在未参与训练的真实世界数据集上取得了良好性能，并可通过不同传感器的数据训练，从而实现了设备无关型人体活动识别模型，将有助于增加 HAR 领域中模型评估的标准化。