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

利用智能手机进行单目 2D 无标记运动捕捉（MMC）测量跳跃高度、速度、飞行时间、接触时间和运动范围（ROM）的可行性研究表明，MMC 在衡量跳跃和基于速度的测试的体育表现方面可能是 OMC 或力板的可行替代方法。

Dec, 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

通过多相机系统与因子图的创新方法，结合人体姿态数据和时间卷积网络（TCN）来定位网球、预测轨迹，估计速度和旋转，提供更准确的旋转先验信息，从而提高运动初始阶段的隐藏状态推理能力。

Jan, 2024

本研究提出了一种多阶段架构方法来解决视频动作分段问题，使用扩张卷积神经网络来生成初始预测并利用平滑损失进行训练，模型在多个数据集上实现了最新的研究成果。

Mar, 2019

本文提出了一种多阶段架构的深度学习模型，通过利用扩张时间卷积和双重扩张时间卷积层，实现了在长时间的未修剪视频中对动作进行准确的时序分割，并在三个数据集上取得了最先进的结果。

Jun, 2020

本研究提出了一个多任务多阶段时间卷积网络 (MTMS-TCN)，旨在联合识别手术活动的两个互补粒度 —— 阶段和步骤，从而提高手术活动识别的精确性和召回率。在 Bypass40 数据组上进行实验表明，MTMS-TCN 在相较于单一任务方法，无论在阶段识别还是步骤识别方面，准确度、精确度和召回率上均具有 1-2% 左右的提升，并且相较于 LSTM 模型，其在步骤识别方面具有更高的性能。

Feb, 2021

本文提出了一种多级时间卷积网络（MS-TCN），可以用于手术阶段识别，具有层次化预测细化和因果扩张卷积的特点。本文的方法经过多组数据集的评估，并在胆囊手术视频中得到成功应用。

Mar, 2020

本文提出一种基于 Temporal Convolution Networks 的轻量级呼吸音事件检测的框架，采用多分支结构和特征融合策略获取最显著的信息，能够在不同的长时间粒度下处理任意长度的音频，实时预测多种事件，并在公共数据集和实际应用场景中实现了排名第一的效果。

Jun, 2021

本文提出了两种新的技术来检测零速度事件，以改善足部惯性导航，第一种技术通过引入一个自适应地更新检测器阈值参数的运动分类器扩展了传统零速度检测器，第二种技术使用了一种长时间短期记忆 (LSTM) 递归神经网络来从原始惯性数据中分类零速度事件，并且我们证明了我们提出的两种检测器在包括步行、奔跑和爬楼梯运动的轨迹中都能获得比现有检测器更高的精度。此外，本文还提出了一种简单的数据增强方法，可以扩展 LSTM 模型到不同的惯性传感器，并且不需要收集新的训练数据。

Oct, 2019