本论文提出了一种基于上百万个公共在线视频声音剪辑的语音识别框架，该框架利用深度学习技术不需要标注音频数据，不需要进一步的特征处理或离群值过滤。在日常活动中验证了该方法，取得了 64.2% 和 83.6% 的平均准确率。

Oct, 2018

通过在两个人体活动识别数据集上进行广泛的实验研究，我们调查了常见的深度学习和机器学习方法以及不同的训练机制（如对比学习）和从传感器时间序列数据中提取的各种特征表示的性能，以评估它们在人体活动识别任务中的有效性。

Sep, 2023

利用基于传感器的识别的大型语言模型（LLMs）在智能家居环境中进行的日常生活活动（ADLs）的识别表明其在这一领域的有效性。

Jul, 2024

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

本文综述了深度学习在传感器活动识别中的最新进展，并从传感器模态、深度模型和应用三个方面总结了现有文献，并提出了未来研究的重大挑战。

Jul, 2017

该论文提出了一种名为 activity2vec 的无监督学习技术，利用可穿戴设备实时跟踪用户的生活方式，从而学习和总结离散值活动时间序列。 该方法在四个障碍物预测任务中比基线表现更好，并通过促进对抗训练来提高特征的一般性。

Nov, 2018

传统深度学习方法难以从传感器数据中同时分割、识别和预测人类活动，限制了其在医疗保健和辅助生活等领域的实时理解能力。本文介绍了 P2LHAP，一种新颖的 Patch-to-Label Seq2Seq 框架，有效地解决了这三个任务，将传感器数据流划分为一系列 “补丁” 作为输入，输出包括预测未来活动的补丁级活动标签序列。作者提出了一种基于周围补丁标签的独特平滑技术，用于准确识别活动边界。此外，P2LHAP 通过传感器信号通道独立的 Transformer 编码器和解码器学习补丁级表示，所有通道在所有序列中共享嵌入和 Transformer 权重。经过三个公开数据集的评估，P2LHAP 在这三个任务中显著优于现有技术水平，展示了其在实际应用中的有效性和潜力。

Mar, 2024

本文提出了一种新的方法，该方法包括临时模式挖掘和自适应多任务学习，用于实现复杂活动识别，实验证明其有效性。

Nov, 2016

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

本论文提出了一个基于序列到序列的神经网络框架，以学习共享活动标签名称的语义，而不是将标签仅视为整数 ID，这有助于提高人类活动识别的性能。该方法将学习活动分解为学习共享标记，通过在七个基准人类活动识别数据集上的广泛实验表明其优于现有方法。

Jan, 2023