本文综述了机器学习在发展基于惯性传感器以及生理和环境传感器的人类活动识别应用中所扮演的重要角色。

Apr, 2020

使用卷积神经网络的传递学习框架，以最小用户监督建立个性化活动识别模型，从而克服佩戴式传感器个性化人体活动识别模型在新用户或用户的物理 / 行为状态改变时性能显著降低的问题

Jan, 2018

本文阐述了加速度传感器在人体活动识别领域（HAR）上存在的问题，提出图像传感器替代加速度传感器成为人体活动识别的默认传感器，并挖掘了图像传感器与卷积神经网络在人体活动识别方面的潜力。

Jan, 2020

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

基于 Residual 网络和 Residual MobileNet 集成的分层多结构方法（FusionActNet）能够有效地对不同的人类活动进行分类识别，并在 UCI HAR 和 Motion-Sense 数据集上取得了 96.71% 和 95.35% 的准确率。

Oct, 2023

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

本研究提出了一种基于惯性测量单元数据和自我视角摄像头提取的活动分类方法，通过胶囊网络和卷积长短时记忆框架提取特征和捕获行为的时间因素，并且使用基于遗传算法的方法自动系统地设置各种网络参数。实验证明，这种方法的综合准确度明显提高，可以更准确地对活动进行分类。

May, 2019

本文提出了一种基于 RGB-D 视频的自动活动识别的深度模型，使用 3D 卷积和最大池化算子，结合激活函数以及学习出活动的时间结构，该模型可以直接作用在原始输入上进行活动分类，而且还允许动态调整模型结构以适应人类活动的时间变化，并在挑战性场景下验证了该方法的优越性，同时还给出了一个大型的 RGB-D 视频人类活动数据库。

Jan, 2015

本文探讨了基于深度学习的两种方法 —— 单帧卷积神经网络和卷积长短时记忆，以实现从视频中识别人类行为，同时在 UCF50 数据集和实验数据集上对两个模型进行了评估，结果表明单帧 CNN 模型的准确性优于卷积 LSTM 模型。

Apr, 2023