本文旨在评估人类身体特征对多通道时间序列 HAR 数据的影响，并试图量化表示偏差，以提供公正和可信的人工智能。

Jan, 2023

我们研究了一个关注在进行日常活动时进行人员识别的新问题。由于时空复杂性和服装颜色、背景等外貌偏差的存在，从 RGB 视频中学习生物特征具有挑战性。我们提出了一个新的框架 ABNet，通过对生物特征和非生物特征进行解耦，从而在日常活动中实现有效的人员识别。ABNet 依赖于一个无偏的教师，通过 RGB 视频来学习生物特征，并通过生物特征扭曲显式地解耦非生物特征。此外，ABNet 还利用活动先验进行生物识别，这是通过联合生物特征和活动学习实现的。我们在五个不同的数据集上对所提方法进行了全面评估，这些数据集基于现有的活动识别基准。此外，我们还与现有的人员识别方法进行了广泛比较，并证明了 ABNet 在基于活动的生物识别方面在所有五个数据集上的有效性。代码和数据集可在此处获取：https://github.com/sacrcv/Activity-Biometrics/

Mar, 2024

使用步态分析进行人员身份识别，同时利用运动模式进行行人属性识别，提出了 DenseGait 数据集和基于 Transformer 的 GaitFormer 模型，通过预训练和多任务训练，在 CASIA-B 和 FVG 数据集上分别取得了 92.5％和 85.33％的准确率，相比于类似方法提高了 14.2％和 9.67％的准确率，同时能够准确识别性别信息和多种外貌属性。

Oct, 2023

通过使用低功耗模型，借助可穿戴设备在边缘进行实时步态识别，本研究成功地在 Arduino 上演示了作者的实时身份识别，从而强调了其功效，并为不久的将来在实际系统中应用提供了可行性证明。

Apr, 2024

使用智能手机的惯性传感器，以无约束状态采集步态数据，通过深度学习技术学习建模，提出了一种有效的步态识别方法，使得人员身份鉴别和认证性能高于 93.5% 和 93.7%。

Nov, 2018

本文提出了一种基于姿态的卷积神经网络模型，用于人体步态识别，利用肢节周围区域的动作信息和光流法提取特征，实验证明该方法的效果超过现有技术水平。

Oct, 2017

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

综合不同的感知模态与多个位置有助于形成对人类行为等复杂情况的统一感知和理解，因此，人类活动识别受益于综合冗余和互补信息（单模态 / 多模态）。然而，这并不是一项容易的任务，它需要多学科的方法，包括传感器技术、信号处理、数据融合算法和领域特定知识。本博士研究使用惯性、压力（音频和大气压力）和纺织电容感应等感知模型进行人类活动识别。所探索的场景包括手势和手部位置跟踪、面部和头部模式识别以及身体姿势和手势识别。所选择的可穿戴设备和感知模型完全集成了基于机器学习的算法，其中一些实现在嵌入式设备上，并在实时环境中进行了测试。

Apr, 2024

本研究使用行为生物识别，包括触摸动态和手机移动，创建和评估了用户身份验证方案。使用两个公开数据集，采用 7 种机器学习算法进行评估，准确率高达 86％。

May, 2022

利用时间戳监督的联合活动分割和识别方法，通过估计原型、生成样本级伪标签以及最优运输理论，以改善人类活动识别和时间序列分割问题。

Oct, 2023