通过训练多个基于相同架构、从给定数据集中随机选择的模型并使用加强学习算法确定最佳的模型子集，提出了一种名为 randomHAR 的集成方法，以优化集成过程而非组成模型的架构，在 6 个人体活动识别基准数据集上的实验结果表明：该方法表现优于当前最优方法 ensembleLSTM。

Jul, 2023

人体活动识别（HAR）越来越受到普适计算的欢迎，受可穿戴传感器在医疗保健和运动等领域的流行推动。本文提出了一种内部和外部帧关注模型，用于解决 ConvNets 通常采用逐帧分析的问题，可能忽视人类活动中固有的更广泛的时间动态。我们进一步通过提出一种新颖的时间序列批量学习策略丰富了时间理解。这种学习策略在每个批处理中保留时间序列数据的时间顺序，确保传感器基础 HAR 中时间模式的连续性和完整性。

May, 2024

使用深度学习模型（如卷积神经网络和 Transformer）进行人类活动识别，研究表明特征融合对于改善活动识别系统的准确性和稳健性具有重要意义。使用 HuGaDB、PKU-MMD、LARa 和 TUG 数据集，PO-MS-GCN 和 Transformer 模型在准确性上进行了训练和评估，PO-MS-GCN 模型在效果上优于其他先进模型，并且特征融合在不同数据集上改善了结果。

Jun, 2024

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

提出了一种基于深度图卷积神经网络的人体活动识别方法（HAR-GCCN），该方法利用传感器测量之间的时间相邻性来预测未分类活动的正确标签。通过新的训练策略和数据集，该方法在多个数据集上展现了比现有基线方法优越约 25％和高达 68％的分类准确性。

Mar, 2022

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

本文介绍了一种基于深度卷积神经网络的感知网络（PerceptionNet），其应用于多模态时间序列传感器数据中的后期二维卷积，以自动提取用于人类动作识别的有效特征。我们通过在两个公共可用的 HAR 数据集上进行评估来展示我们的方法，表明所提出的模型有效地融合了多模态传感器，并通过超过 3％的平均准确度优于基于：（i）从人体中提取的特征，（ii）利用早期融合方法的深度卷积神经网络和（iii）长期短期记忆（LSTM）的最先进的 HAR 方法。

Nov, 2018

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

本文介绍了人体活动识别用于移动设备的轻量模型 HART，通过 IMUs 数据并使用 Transformer architecture 实现，相比于传统模型在减少资源消耗的同时具有更好的识别效果。

Sep, 2022