可穿戴传感器人类活动识别中的深度学习技术：进展综述
人体活动识别（HAR）是一项基础研究领域，已经在家庭与职场自动化、安全监控以及医疗保健等多个应用中得到应用。本文综述了基于传感器的 HAR，讨论了依赖于 HAR 的几个重要应用，并介绍了 HAR 中常用的机器学习方法，同时探讨了 HAR 存在的若干挑战以进一步提高其稳健性。
Sep, 2023
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
本文通过文献综述，使用六种公开数据集，采用标准化评估标准对最先进的人类活动识别技术进行比较，提出了一种改进的混合手工特征和神经网络架构的方法，优于先前的技术，并证明标准化评估是必要的。
Jan, 2021
本研究提出了 ActiveHARNet，一种支持设备上增量学习和推理的资源有效的深度集成模型，该模型使用 dropout 中的 Bayesian 神经网络近似来表示模型不确定性，并结合适当的主动学习获取函数。在两个公开可用的手腕 HAR 和跌倒检测数据集上的实证结果表明，ActiveHARNet 在不同用户之间的推断效率上实现了显着的提升，并在增量学习中获得了至少 60％的数据采集减少率，从而证明了部署和增量学习的可行性。
May, 2019
通过分类数据异构类型、应用相应的适合的机器学习方法、总结可用的数据集并讨论未来的挑战，本论文探讨了机器学习如何解决人体活动识别中的数据异构问题。
Mar, 2024
本研究综述了传感器人体活动识别领域的深度学习方法，介绍了多模态传感数据以及可以用于不同挑战任务评估的公共数据集，并提出了一个新的分类法来组织深度方法的挑战，总结分析了相关深度方法以及当前的研究进展，并讨论了未来方向与存在的问题。
Jan, 2020
本研究通过对不同样本生成过程和验证协议进行分析，实施和评估了多种高性能方法，从手工制作的方法到卷积神经网络等各种方法，发现当前的实验评估方法都无法在可穿戴传感器数据的背景下执行活动识别，在此之中，识别准确度显着下降，该研究着重解决了在可穿戴传感器数据基础上的人体活动识别中影响识别准确性的关键问题，是第一篇解决这个问题的研究。
Jun, 2018