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

我们提出了一种使用弱监督多输出连体网络的方法，该方法能够学习将数据映射到多个表示空间上，从而能够同时解决多个任务，并在许多情况下胜过单任务监督方法。

Aug, 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

研究使用序列到序列的方法自动提取可以应用于类似时间序列学习任务的通用且有意义的特征。所得到的有意义的特征不仅避免了特征工程，还可以用于半监督学习，并且在从可穿戴和环境传感器收集的数据集上进行了评估。

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

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

本文探讨了离散化方法在人类活动识别 (HAR) 领域的应用，作者采用了向量量化技术 (Vector Quantization，VQ)，提出了一种从短时间的传感器数据到码本向量的映射方法，证明了离散化方法不但可用于活动分类，还可用于符号序列分析。实验结果及讨论表明离散化分析传感器数据将会在 HAR 领域带来重大变革。

Jun, 2023

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。

Apr, 2023

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

本研究提出了一种新颖的睡眠检测方法，使用弱监督学习来处理缺乏可靠标签的情况。通过借助常规睡眠检测算法生成的预测结果作为弱标签，引入了一种新的非线性统计模型。结合神经网络检测睡眠，以睡眠概率作为二项分布的参数，最大化该模型的似然函数等效于最小化软交叉熵损失。通过对多种模型和损失函数的比较，研究结果表明，基于软交叉熵训练的 LSTM 模型在精度和模型校准方面优于传统睡眠检测算法、其他神经网络架构和损失函数，并在患者数据集上验证了该建模框架的有效性。该研究不仅改进了缺乏真实数据的睡眠检测技术，还通过引入创新方法在弱监督学习领域做出了贡献。

Feb, 2024