通过聊天 GPT 生成不同的文本描述活动的文字描述，通过运动合成模型 T2M-GPT 生成 3D 人体运动序列，然后转换成流的模拟 IMU 数据，将其与部分真实 IMU 数据结合训练 HAR 模型可以显著提高其性能

May, 2023

调查证实了大型语言模型在人体活动识别中可能通过训练中接触到传感器数据，可能对实验评估结果产生重要影响。

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

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

我们的研究通过案例研究，在零样本方式下，通过演示大型语言模型（LLMs）能够理解原始 IMU 数据并以经过适当提示的方式进行人类活动识别任务，以回答 LLMs 是否适用于与网络系统无缝集成的物理世界解释问题。通过在 GPT4 上使用两个不同类别相似性的公共数据集对 HARGPT 进行基准测试，并与基于传统机器学习和最先进的深度分类模型的各种基线进行比较，结果表明 LLMs 能够成功地从原始 IMU 数据中识别人类活动，并在两个数据集上持续优于所有基线。我们的发现表明，通过有效提示，LLMs 可以基于其知识库解释物理世界的原始传感器数据，具有有效分析原始传感器数据的潜力。

Mar, 2024

通过引入简单活动表达，结合 GAN 网络生成 6 通道 IMU 信号，提高分类器的精度。实验表明，在添加生成数据后，LSTM 分类器的 f1 - 得分最大增加幅度为 13.27％，从而证明了生成数据的有效性和 TheraGAN 作为解决数据不平衡问题的工具。

Feb, 2023

通过分类数据异构类型、应用相应的适合的机器学习方法、总结可用的数据集并讨论未来的挑战，本论文探讨了机器学习如何解决人体活动识别中的数据异构问题。

Mar, 2024

本论文提出了一个基于序列到序列的神经网络框架，以学习共享活动标签名称的语义，而不是将标签仅视为整数 ID，这有助于提高人类活动识别的性能。该方法将学习活动分解为学习共享标记，通过在七个基准人类活动识别数据集上的广泛实验表明其优于现有方法。

Jan, 2023

在人类活动识别领域，缺乏大型标记数据集是主要挑战之一。为了解决数据稀缺的问题，最近开始研究跨模态迁移方法，将现有数据集从源模态（如视频）转换为目标模态（IMU）。本研究通过大规模评估语言驱动的跨模态迁移，提出了两个针对实际人类活动识别应用场景的 IMUGPT 扩展，一个是能够滤除无关动作序列以确保生成虚拟 IMU 数据的相关性的动作过滤器，另一个是一套用于测量生成数据多样性的指标，帮助确定何时停止生成虚拟 IMU 数据以实现有效和高效的处理。我们证明了我们的多样性指标可以减少生成虚拟 IMU 数据所需的工作量至少 50％，从而使 IMUGPT 在纯概念证明之外具备实际应用的价值。

Feb, 2024

基于深度学习模型，上下文感知的人类活动识别是移动计算领域的热点研究方向。然而，这些系统的实际部署受到标注数据稀缺的限制。基于神经符号人工智能领域的研究提出了使用常识知识来缓解此问题，在人类活动识别深度学习分类器中融入关于人类活动及其上下文的常识知识。本研究中，我们提出了 ContextGPT: 一种新的提示工程方法，用于从大型语言模型中检索关于人类活动与上下文关系的常识知识。与本体论不同，ContextGPT 所需的人力和专业知识较少。在两个公共数据集上进行的广泛评估表明，通过从 ContextGPT 中融入常识知识获得的 NeSy 模型，在数据稀缺场景中具有类似甚至更好的识别率，比基于逻辑的方法需要更少的工作量。

Mar, 2024