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
本文提出了使用卷积神经网络(CNNs)对人类活动进行分类的方法，该方法利用惯性传感器测量身体的加速度和角速度，并使用不同的神经网络结构适应运动信号，探究单个、双个和三个传感器系统的分类潜力，实验结果表明该方法具有很好的分类性能。
Jun, 2019
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
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
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
通过利用嵌入式传感器进行人体活动识别以及LSTM算法，针对印度尼西亚的使用普及率日益增加的智能手机，本研究分析了25位参与者的数据，对九种运动类型进行了机器学习模型开发基础上的肌肉力量动作的重要传感器属性的研究，旨在维持高生活质量以预防健康衰退。
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
为了改进基于可穿戴传感器的人体活动识别，本文提出了一种从3D骨架姿势序列中直接生成传感器数据的姿势到传感器网络模型，并同时训练姿势到传感器网络和人体活动分类器，通过优化数据重构和活动识别来改进性能。实验结果表明该框架优于基线方法，并在MM-Fit数据集上取得了显著的性能提升。
Apr, 2024