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

基于传感器的人体活动识别是一个活跃的研究领域，本文调查了应用于智能家居和可穿戴设备的活动识别的迁移学习方法，总结了现有工作并提出了未来研究方向。

Jan, 2024

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

本文通过基于自注意力机制的神经网络模型，有效地解决了从身体穿戴传感器数据中提取人类活动的空间和时间序列信号依赖性识别的问题，并在四个流行的 HAR 数据集上进行了大量实验，获得了显著的性能改进。

Mar, 2020

SelfAct 是一种新颖的人类活动识别框架，结合了自监督和主动学习，通过利用大量未标记的数据进行预训练，学习传感器数据的高效表示，并通过新的无监督主动学习策略进行微调，其结果接近或优于完全监督方法的结果。

Apr, 2023

本文提出了一种基于自监督技术的特征学习方法，应用于无形标签的传感器数据。该方法可以应用于人类活动识别等领域，可以通过转化识别任务提供监督信号提取有价值的特征，并在智能手机环境下的无人监督、半监督和迁移学习的情况下实现了与完全监督网络相当甚至更好的性能。该技术可被广泛应用于其他领域。

Jul, 2019

本文综述了机器学习在发展基于惯性传感器以及生理和环境传感器的人类活动识别应用中所扮演的重要角色。

Apr, 2020

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

本文探讨了离散化方法在人类活动识别 (HAR) 领域的应用，作者采用了向量量化技术 (Vector Quantization，VQ)，提出了一种从短时间的传感器数据到码本向量的映射方法，证明了离散化方法不但可用于活动分类，还可用于符号序列分析。实验结果及讨论表明离散化分析传感器数据将会在 HAR 领域带来重大变革。

Jun, 2023

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