通过将 Transformer 编码器用于特征提取和时序卷积神经网络（TCN）用于分类来识别 Otago 锻炼计划（OEP）中的微操作，并结合掩码无监督学习任务提高有监督学习任务的性能，研究结果显示 f1 - 分数超过临床实用的 0.8 阈值，从而使得可以自动监测老年人日常生活中锻炼的强度和难度。

May, 2024

通过在日常生活中采用单个腰部佩戴惯性测量单元（IMU）来识别社区中老年人进行 Otago 运动项目（OEP）锻炼，使用双尺度多阶段时间卷积网络（DS-MS-TCN）模型实现了基于序列的两级分类，超过现有深度学习模型，在评估的四个锻炼中实现了超过 80％的 F1 分数和超过 60％ 的交集联合（IoU）F1 分数。

Feb, 2024

通过计算机视觉和惯性测量单元 (IMU) 等广泛应用的技术以及最近在临床和研究环境中日益流行，来评估人体的身体活动。然而，为了增加患者在实验室外的跟踪可行性，有必要减少运动采集设备。在这方面，IMU 设备和单一摄像头系统是有希望的解决方案。此外，还需要开发能够在野外环境中识别和处理临床相关数据的机器学习系统，因此确定这些系统的理想输入至关重要。

Feb, 2024

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

本文比较了基于惯性测量单元 (IMU) 和基于视频的方法在军事按压和划船运动的人体运动分类中的表现，发现单个摄像头能比单个 IMU 提高 10 个百分点的分类准确率，而至少需要 3 个 IMU 才能超越单个摄像头。同时，使用基于多变量时间序列分类器进行原始数据处理的方法优于基于手工特征或自动提取特征的传统方法。最后，将单个摄像头和单个 IMU 的数据组合起来能超越任一数据模态，为使用智能手机摄像头和单一传感器进行有效的人体运动分类开辟了新的、更现实的途径。

Jul, 2023

本文综述了近期就惯性测量单位（IMU）为基础的人体活动识别领域中应用于领域自适应技术的最新研究进展，并讨论了潜在的未来方向。

Apr, 2023

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

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。

Jan, 2024

本文提出一种在不需要在新的身体部位获取分类标签的情况下，通过利用现有的活动分类器在参考身体部位的惯性测量单元（IMU）数据的基础上进行活动分类的创新方法来执行新的身体部位上的活动分类。

Apr, 2023

本研究旨在探索使用单个腰部传感器和深度学习模型提高老年人步态事件检测的准确性，结果表明使用带有注意机制和双向机制的 CNN-RNN 混合模型有望实现准确的步态事件检测，有助于未来可穿戴设备的远程健康监测和诊断。

Feb, 2022