使用深度学习模型（如卷积神经网络和 Transformer）进行人类活动识别，研究表明特征融合对于改善活动识别系统的准确性和稳健性具有重要意义。使用 HuGaDB、PKU-MMD、LARa 和 TUG 数据集，PO-MS-GCN 和 Transformer 模型在准确性上进行了训练和评估，PO-MS-GCN 模型在效果上优于其他先进模型，并且特征融合在不同数据集上改善了结果。

Jun, 2024

人体活动识别（HAR）越来越受到普适计算的欢迎，受可穿戴传感器在医疗保健和运动等领域的流行推动。本文提出了一种内部和外部帧关注模型，用于解决 ConvNets 通常采用逐帧分析的问题，可能忽视人类活动中固有的更广泛的时间动态。我们进一步通过提出一种新颖的时间序列批量学习策略丰富了时间理解。这种学习策略在每个批处理中保留时间序列数据的时间顺序，确保传感器基础 HAR 中时间模式的连续性和完整性。

May, 2024

本文提出了使用卷积神经网络 (CNNs) 对人类活动进行分类的方法，该方法利用惯性传感器测量身体的加速度和角速度，并使用不同的神经网络结构适应运动信号，探究单个、双个和三个传感器系统的分类潜力，实验结果表明该方法具有很好的分类性能。

Jun, 2019

通过将复杂的 3D-CNN 解构为 2D - 和 1D-CNN，本文提出了一种简洁而多功能的端到端深度学习架构 TransNet 用于人体动作识别（HAR），通过与其他领域的预训练 2D-CNN 模型相结合，TransNet 可以有效地提高效率和准确性，并在大量实验结果和与最先进的模型的比较中展示了其在 HAR 中相对于灵活性、模型复杂度、训练速度和分类准确性方面的优越性。

Sep, 2023

本文介绍了一种新方法，即多视图融合变压器（MVFT），通过编码时间视图、频繁视图和统计视图来生成多视图特征，并提出一种新的注意机制以揭示细节关系建模。实验表明，该方法比几种最先进的方法更优异。

Feb, 2022

本文提出了一种适用于人类活动识别的通用多传感器网络（UMSNet），采用了新型轻量级传感器残差块（称为 LSR 块）和 Transformer 来提取序列特征的关系，经过全面实验后，证明在人类活动识别方面优于其他最先进的方法。

May, 2022

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

本文提出了 ConvBoost 框架，它是一种基于卷积神经网络的人体活动识别的结构模型，通过增加三种不同的数据增强模式，来解决训练样本不足的问题，从而对现有的卷积神经网络模型进行提升。在三个标准基准数据集上得到了显著的性能提升。

May, 2023

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

为了改进基于可穿戴传感器的人体活动识别，本文提出了一种从 3D 骨架姿势序列中直接生成传感器数据的姿势到传感器网络模型，并同时训练姿势到传感器网络和人体活动分类器，通过优化数据重构和活动识别来改进性能。实验结果表明该框架优于基线方法，并在 MM-Fit 数据集上取得了显著的性能提升。

Apr, 2024