部署一支由自主机器人组成的舰队来与农场工人一起工作，可以在农业系统中提供极大的生产力和物流效益。本研究的主要贡献是创建了一个基于视频的人体摘取行为检测的基准模型，用于服务于不同农业场景的收获操作。

Nov, 2023

本文介绍了一种新颖的可穿戴传感原型，将 IMU 和体电容传感模块结合起来，用于识别制造业中工人的行为。我们提出并比较了早期和晚期传感器数据融合方法，针对多通道时间序列卷积神经网络和深度卷积 LSTM 模型。通过使用我们提出的传感原型和苹果手表在制造流水线的测试平台上收集和注释传感器数据，我们评估了所提出的硬件和神经网络模型。实验结果表明，我们提出的方法相对于基线方法具有更好的性能，表明所提出的方法在制造业的实际应用中具有潜力。此外，配备有体电容传感器和特征融合方法的传感原型相比于没有体电容传感器和苹果手表数据的传感原型分别提高了 6.35%，宏 F1 评分较高 9.38%。

Aug, 2023

本文系统分类总结了利用低功率传感器进行人体活动识别的深度学习方法及其发展趋势和主要挑战，同时介绍了深度学习驱动人体活动识别的尖端技术和未来方向。

Oct, 2021

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

本研究使用自我监督学习技术在 UK-Biobank 活动追踪器数据集上训练活动识别模型，结果表明该模型在七个基准数据集上的 F1 分数相对提高 2.5%~100%，可推广至不同外部数据集、设备和环境。开源的模型将有助于研究人员建立高性能、自定义和可推广的活动分类器。

Jun, 2022

本文提出了一个框架，结合在线人体状态估计、动作识别和运动预测，实现了对工人在举重任务中的生物力学风险进行早期评估和预防。该框架利用 NIOSH 指数进行在线风险评估，适用于实时应用。通过可穿戴传感器数据，通过逆运动学 / 动力学算法检索人体状态。通过实施基于 LSTM 的引导式专家混合结构来实现人体动作识别和运动预测，该混合结构在离线训练并在线推断。通过识别的动作，将单一举重活动分为一系列连续的动作，然后可以应用修订版 NIOSH 举重方程进行风险评估。此外，通过预测的动作可以预见未来的风险。可穿戴系统中嵌入的触觉装置可以提醒受试者潜在风险，充当主动预防装置。通过执行真实的举重任务并配备 iFeel 可穿戴系统来验证所提出框架的性能。

Dec, 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