利用移动传感器收集的数据，通过我们的 MAGNETO 系统以学习人类活动为重点的实验，我们深入研究了边缘机器学习（Edge ML）的复杂性，考察了边缘设备上受限数据存储、训练的有限计算能力和学习类别数量之间的相互依赖关系，并提供了关于 Edge ML 的有价值的观点。

Aug, 2023

提出了一个边缘 AI 平台 MAGNETO，可以在边缘设备上进行增量式的人类活动学习，克服了与云之间的数据交换导致的数据隐私问题，同时实现了强大的个性化能力和低处理延迟。

Feb, 2024

该研究论文旨在针对智能手机上的移动人类活动识别场景，演示联邦学习范式带来的问题，如数据储存容量限制、移动计算和灾难性遗忘等。

Jul, 2022

提出一种用于改善全球人类活动识别模型的轻量级机器遗忘方法，通过选择性删除客户端的部分训练数据，并使用 KL 散度作为微调的损失函数，以使预测的概率分布与第三方数据集相一致。

Jan, 2024

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

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

基于可穿戴式设备的人体活动识别是以人为中心的机器学习中的关键任务之一，该研究探索了采用和调整 CaSSLe 和 Kaizen 模型的方案来实现可穿戴式设备的人体活动识别，并研究了不同损失项之间的平衡与知识保留的权衡。

Jan, 2024

本研究提出了一种对可穿戴传感器人体活动识别（HAR）进行增量学习的框架，该框架同时解决了两个挑战：灾难性遗忘和非均匀输入。该框架（称为 iKAN）使用 Kolmogorov-Arnold 网络（KAN）作为分类器，利用样条函数的局部可塑性和全局稳定性，通过适应任务特定的特征分支和特征重新分配层来将 KAN 调整为适用于 HAR。与现有的主要调整输出维度或分类器节点数量以适应新任务的增量学习方法不同，iKAN 着重扩展特征提取分支以适应来自不同传感器模态的新输入，同时保持一致的维度和分类器输出数量。该研究通过在六个公共 HAR 数据集上持续学习，展示了 iKAN 框架的增量学习性能，其最终性能为 84.9％（加权 F1 分数），平均增量性能为 81.34％，明显优于两种现有的增量学习方法 EWC（51.42％）和经验重播（59.92％）。

Jun, 2024

应用人工智能和机器学习技术，利用低成本的可穿戴式惯性测量单元进行在线聚类处理，以达到对运动员活动的自动解释性预测，区分正确、错误和作弊的识别，且取得近 100％的平均性能指标。

Jun, 2024

通过利用公开标记的人体活动识别数据集进行转移学习，我们提出了一种经济有效的跨领域人体活动识别框架，以更好地处理具有非常有限标签信息的活动识别场景。

Oct, 2023