该研究介绍了一个新的数据集，用于人类活动识别和跌倒检测，利用加速度传感器数据，分成17个活动类型和8个跌倒类型，可用于训练和评估分类器。评估表明，跌倒类型的识别比活动类型更困难，并且基于单一受试者的评估比基于多位受试者的评估表现更好。

Nov, 2016

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

为了提高服务质量和最充分利用他们的基础设施，跟踪攀登者的活动是攀岩馆关注的一个问题。为了在保护攀岩者隐私和方便的前提下解决这个问题，研发了一个硬件原型来收集数据，并介绍了硬件规格、研究了超低功耗模式下传感器测量的数据、检测了下降时传感器的方向模式，并开发了一种监督方法来识别缓降。

Jan, 2023

该研究提供了一个基准数据集，用于评估手腕运动传感器的物理人类活动识别方法，在篮球培训、练习和比赛等特定场景下进行。

May, 2023

研究提出了一种智能、紧凑且能源高效的无线传感器系统，用于滑雪跳台运动中的实时性能分析和生物反馈，以提高滑雪运动员的学习效果和训练成果。

Sep, 2023

提出了一种新颖的端到端方法，能够有效地探索从智能手机收集到的减少数量的感知数据，以实现在日常出行活动中准确的模式检测。通过将现有的CNN biLSTM模型扩展为Feature Pyramid网络，结合浅层富度与深层特征韧性的优势，FPbiLSTM在检测各种交通模式的2018年Sussex-Huawei Locomotion（SHL）挑战数据集上表现出优秀的性能，只使用了七个传感器中的三个（加速计、陀螺仪和磁力计），达到了95.1％的值得注意的准确度和94.7％的F1得分。

Oct, 2023

通过应用经典和深度学习模型技术于2016年、2017年和2019年的Moonboard数据集，本研究取得了0.87的MAE和1.12的RMSE的最新成果，而无需将路线分解为单个动作，该方法在文献中常见且易引入偏见。我们还展示了该模型在版本之间的泛化能力，并引入了一种新颖的基于视觉的等级预测方法。尽管这些技术的泛化性能目前低于人类水平，但我们将其作为未来工作的基础。这样的工具可以被实施在现有的移动应用程序中，使攀岩者能够更好地跟踪他们的进展并评估新的路线，以减少偏见。

Nov, 2023

人体活动识别(HAR)已得到广泛研究，最近侧重于使用先进的机器学习(ML)和深度学习(DL)算法进行准确分类的实施。本研究调查了两种机器学习算法——eXtreme Gradient Boosting (XGBoost)和MiniRocket在HAR领域的有效性，使用从智能手机传感器收集的数据进行实验。实验使用从UCI仓库获得的数据集，包括30名志愿者佩戴智能手机时捕获的加速度计和陀螺仪信号。在将数据集进行预处理（包括噪声过滤和特征提取）后，用于训练和测试分类器。采用蒙特卡洛交叉验证评估模型的稳健性。研究结果表明，XGBoost和MiniRocket在活动分类方面取得了高达0.99的准确率、F1得分和AUC值。与MiniRocket相比，XGBoost表现略优。值得注意的是，这两种算法在HAR任务的文献中超过了其他机器学习和深度学习算法的性能。此外，研究比较了这两种算法的计算效率，显示XGBoost在训练时间方面具有优势。此外，MiniRocket的表现也突显了利用原始数据并仅利用传感器的一个通道时可达到的0.94的准确性和F1值，以及0.96的AUC值的潜力，这也表明通过利用传感器融合或通道融合技术可以获得潜在的优势。总的来说，本研究对XGBoost和MiniRocket在HAR任务中的有效性和计算特性进行了阐明，并为利用智能手机传感器数据进行活动识别的未来研究提供了见解。

Feb, 2024

通过机器学习方法，结合众包和手机数据以及其他人口、土地利用、地形和气候等多个数据集，本研究在澳大利亚新南威尔士州的大范围区域网络上开发和应用了一个模型，用于估计每日步行和骑行量。研究讨论了模型训练、测试和推断的挑战，提出了一种新的技术来识别模型估计的异常值并减轻其影响。该研究为交通模型师、政策制定者和城市规划师提供了一个有价值的资源，以改进基于先进的新兴数据驱动型建模方法的主动交通基础设施规划和政策。

Mar, 2024

该研究提出了一种基于最近邻的根据空间和时间相关性管理IoT设备的有效循环管理方法，以延长电池寿命和减少能量不足情况，相较于随机循环基准，能够显著降低误检概率和能源消耗50%。

May, 2024