该研究提出了一种使用深度循环神经网络和序列到序列学习学习人体全身运动和自然语言之间双向映射的生成模型，该模型不需要分割或手动特征工程，并学习分布式表示，其结构可以生成逼真的动作或描述.

May, 2017

本文介绍了一种仿生神经网络 (Bio-LSTM)，其能够预测行人的全局坐标系中的位置和三维关节姿态，在考虑先前帧的3D姿态和位置时，对于多名不同行人同时进行预测，以及在城市路口范围内达到45米。这篇论文通过 PedX 数据集的实际应用表明，该网络可以成功学习行人步态的特征，并产生准确和一致的 3D 姿态预测。

Sep, 2018

本文介绍了一种基于ST-GCN结构的新型分类器网路，称为STEP，可通过人体步态特征自动识别出人类的情绪状态，使用ST-GCN基于CVAE结构的生成网络----STEP-Gen，结合一种新颖的推拉正则化损失函数可有效提升准确率，构建并公开了E-Gait数据集，实验结果表明，使用该模型可获得89%以上的情感特征学习精度，比以往方法的提升高出14%-30%。

Oct, 2019

本研究提出一种基于卷积神经网络和循环神经网络的双向注意力模型，应用于步态识别领域。实验表明，该模型在数据采集和外观变化等因素影响下的识别性能优于其他方法，并对不同类型遮挡的数据具有更强的鲁棒性。

Oct, 2020

通过表面肌电信号和步行周期启发的学习策略，该研究提出了一种模型，成功预测人体膝关节角度，并在相关文献中取得了至少9.5%的误差减少，为该领域的最佳表现。

Jul, 2023

深度学习研究已经使许多生物识别解决方案变得可行，但它需要大量的训练数据才能实现现实世界的泛化。本文提出了一种使用深度神经网络将三维可变形体模型拟合到步态视频中，以获得每帧的分解形状和姿势表示，通过引入基于Koopman算子理论的线性动力系统（LDS）模块和损失函数，实现网络中的时间一致性并提供无监督的步态运动正则化方法，以及预测能力以延长步态序列。我们将LDS与传统的对抗训练方法进行比较，并使用USF HumanID和CASIA-B数据集表明，相比于传统方法，LDS在使用更少的训练数据时能够获得更高的准确性。最后，我们还证明了我们的三维建模方法在正常、背负物品和更换衣物情况下对应变视角的克服能力更强。

Aug, 2023

运用动作驱动的过渡模型在人类运动预测中产生平滑的过渡，展示了高效的性能。

Oct, 2023

建立了综合的肌肉骨骼模型和相应的控制算法，能够模拟全身动力学和人机交互，并采用新的低维度表示和分层深度强化学习算法来实现最先进的全身控制。

Dec, 2023

使用深度学习分析运动行为数据，我们探索短距离和长距离的预测，并证明其在医学诊断、治疗过程监测以及其他应用领域的潜力。

Feb, 2024

利用可穿戴传感器捕捉患者的实时运动，为步幅/步长分割和步幅/步长长度预测等多个任务提供了大量的真实标签，从而增强研究人员对与神经系统障碍相关的步态紊乱的整体理解，并为医疗产品、法医技术和生物力学研究等领域提供了有益的数据资源。

May, 2024