使用智能手机的加速度计和陀螺仪信号识别用户的步态，实现基于步态的用户身份认证，最小化认证错误率，并且技术与现有方法相比显著优越。

Jun, 2016

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

通过使用低功耗模型，借助可穿戴设备在边缘进行实时步态识别，本研究成功地在 Arduino 上演示了作者的实时身份识别，从而强调了其功效，并为不久的将来在实际系统中应用提供了可行性证明。

Apr, 2024

该论文主要针对移动设备中的难点 - 传感器方向的不稳定性提出了解决方案并提出了一种基于统计分析和监督学习的新型步态识别方法，使用 PCA+SVM 构建步态模型，取得了优异的表现。

Feb, 2016

通过深度学习和层次相关性传播 (LRP)，识别重要变量以确定与年龄和性别相关的用户特征的方法，可以用于解释惯性信号识别用户年龄和性别的非线性机器学习模型。

Feb, 2024

本文提出了一种基于姿态的卷积神经网络模型，用于人体步态识别，利用肢节周围区域的动作信息和光流法提取特征，实验证明该方法的效果超过现有技术水平。

Oct, 2017

该研究综述了步态识别技术的发展和应用，并分析了环境因素和复杂性，比较了它与其他生物识别系统的差异，同时探讨了深度学习技术在人类步态识别中的应用和可能的研究机会。

Sep, 2023

本研究提出了一种新型的人体步态识别方法，名为 GaitFi，该方法利用 WiFi 信号和视频进行人体识别，其中 Channel State Information 可以捕捉人体步态，经实验证明 GaitFi 表现较好，可达到 94.2% 的人体识别准确率。

Aug, 2022

该研究旨在利用卷积神经网络从低级运动特征（如光流分量）学习高级描述符，并以此实现视频中人的识别。实验证明，将光流的时空块作为卷积神经网络的输入数据，可以以比以往更低的图像分辨率（即 80x60 像素）获得最先进的步态识别效果。

Mar, 2016

介绍了一种称为 Motion ID 的用户认证新方法，该方法利用惯性测量单元 (IMUs) 提供的运动感应来验证个人身份。通过数据预处理和机器学习，该方法展示了高精度的用户认证，可与现有方法结合使用，也有望作为一种独立的解决方案。

Jan, 2023