利用深度学习技术，使用文本描述生成大量的地面压力序列，通过离散潜在相关性获得由文本描述生成的高质量压力序列，并在实际压力传感器收集的压力动态上评估与仅使用真实数据训练的模型相当的 HAR 模型，将真实数据和合成的训练数据结合，使整体宏 F1 分数提高 5.9%。

Feb, 2024

引入了 PresSim 框架，该框架通过视觉分析、仿真变形分析和深度学习等技术，从压力传感器收集压力数据的替代方法，以实现人类活动识别的目标。

Feb, 2023

利用由物理学建模的合成数据集，提出了一个使用压力传感垫推断人体姿势和形状的深度学习模型 Pressurepose，并展示了这个模型的良好性能。

Apr, 2020

该研究提出了一种基于深度图像推断人体与床垫之间接触压力的方法，从而预防医疗卫生中的压力伤害，该方法通过添加人体软体物理模拟合成数据进行训练，并应用了新颖的深度网络模型成功推断人体姿态，并能够在被毯子遮挡的情况下推断人体 3D 网格模型的接触压力。

May, 2021

准确预测躺在床上休息的人的 3D 人体姿势和身体施加的压力（可视化为身体网格（3D 姿势和形状）），尤其是在预防压疮方面对医疗应用具有重要意义。我们介绍了 BodyMAP，它同时预测整个人体的人体网格和 3D 施加的压力地图。我们的网络利用多种视觉模态，结合了躺在床上的人的深度图像和相应的来自感压床垫的 2D 压力图像。在真实世界的人体数据评估中，我们的方法在床上的人体网格和 3D 施加的压力地图预测任务上比现有的技术提高了 25%。

Apr, 2024

我们提出了一种新颖的本地 - 全局特征融合框架，用于基于地面动态压力图的体重训练识别。通过使用图像处理技术和 YOLO 目标检测来结合本地和全局特征，我们的方法在生成高级本地特征的同时考虑了不同身体部位的压力分布和物理约束，同时通过知识蒸馏来提高训练性能。实验证明，我们的方法在体重训练识别方面取得了显著的 11% 提升，并保持了特定标签特征的准确性。

Sep, 2023

研究了如何使用压力敏感垫和卷积神经网络来预测人体在床上的三维姿态，从而使机器人在床上的应用更加有效。

Apr, 2018

该研究提出了一种新颖的自监督压力图关键点检测（SPMKD）方法，通过 Encoder-Fuser-Decoder 模型和 Classification-to-Regression Weight Transfer 方法，在不需要手动注释的情况下提高人体关键点泛化性能，同时显著减少计算和参数量。

Feb, 2024

使用生成对抗网络，将源角色的动作转移到目标角色上，并且保持高逼真度。将姿势信息和外貌信息解耦并重新组合，利用重建的三维人体模型作为 GAN 的条件，进一步引入细节增强网络以增强转移结果的细节信息。实验表明，该方法在质量和数量上均优于现有技术。

Mar, 2020

使用深度模型，基于 RGB 相机的人手外观变化来推断手压力，这种方法不需要使用压力传感器，并且可以推断出新正确性的人手压力数据。

Mar, 2022