身体区域电容感知是一种有希望的可穿戴设备替代方案，用于实现人体活动识别和人机交互任务；本文综合总结了身体区域电容感知的现有研究，包括涉及的身体形态、硬件实现、算法和应用，并讨论了该领域的挑战和前景。

Jan, 2024

利用智能手机上的多个传感器学习数据以检测人体与移动设备的三维空间接近性，以提供非侵入式医疗诊断信息。该预测技术实现了高达 88.75％的准确度和 88.3％的特异性。

Dec, 2015

本文提出了一种基于行为、生理和混合粗粒度分钟级生物识别数据的隐式可穿戴设备用户认证机制，并在超过 400 名 Fitbit 用户的健康研究中进行了分析。经我们分析，使用该机制，用户的平均准确率可达 93％，具有相等的错误率为 0.05。同时，混合生物识别比其他生物识别数据表现更好，而行为生物识别在非久坐阶段也没有显着影响。

Jul, 2019

提出了一种利用智能手机传感器数据和机器学习对终端用户进行基于行为特征的隐式、持续认证的新系统 iAuth，并实现 92.1% 的认证准确性，系统开销极小，电池消耗不到 2%。

Mar, 2017

本文提出一种基于非接触手势识别的实时界面控制框架，通过处理原始信号、检测电场干扰并提取有效信号帧的方法实现了 98.8% 检测率和 98.4% 的帧校正率。采用 GRU 模型对于 10 种手势可以实现 98.79% 的准确率，这一技术为电容式感应技术和非接触近程感应技术提供了商业化可能性。

Jan, 2022

本文提出了基于心率、步态和呼吸音信号的上下文相关的软生物识别可穿戴身份验证系统，使用具有径向基函数内核的二元支持向量机（SVM）可以实现高达 0.94 的平均精度。

Aug, 2020

本研究使用行为生物识别，包括触摸动态和手机移动，创建和评估了用户身份验证方案。使用两个公开数据集，采用 7 种机器学习算法进行评估，准确率高达 86％。

May, 2022

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

本文介绍了一种新颖的可穿戴传感原型，将 IMU 和体电容传感模块结合起来，用于识别制造业中工人的行为。我们提出并比较了早期和晚期传感器数据融合方法，针对多通道时间序列卷积神经网络和深度卷积 LSTM 模型。通过使用我们提出的传感原型和苹果手表在制造流水线的测试平台上收集和注释传感器数据，我们评估了所提出的硬件和神经网络模型。实验结果表明，我们提出的方法相对于基线方法具有更好的性能，表明所提出的方法在制造业的实际应用中具有潜力。此外，配备有体电容传感器和特征融合方法的传感原型相比于没有体电容传感器和苹果手表数据的传感原型分别提高了 6.35%，宏 F1 评分较高 9.38%。

Aug, 2023

本文提出了一种基于粒子团块的弹性交互（EIP）模型，可用于仿真触觉。同时，我们还提出了一种感知网络，通过视觉图像与触觉数据之间的信息融合，实现对仿真触觉的感知，从而在三维几何重建任务中展现出卓越的性能。

Aug, 2021