基于传感器的人体活动识别是一个活跃的研究领域，本文调查了应用于智能家居和可穿戴设备的活动识别的迁移学习方法，总结了现有工作并提出了未来研究方向。
Jan, 2024
人类行为 / 动作识别中，通过跨模态转移学习，介绍了人工智能模型、IMU 数据和多模态学习的重要性以及它们的应用潜力。
Mar, 2024
本研究提出了一种结合公共数据集的新策略，用于学习通用的人类活动识别模型，并表明结合公共数据集可以显著减少在未知目标领域上实现令人满意的性能所需的标记样本的数量。
Jun, 2023
本文介绍了一种名为 SA-GAN（Subject Adaptor GAN）的对抗性学习方法，利用生成式对抗网络框架在穿戴传感器人体活动识别领域进行跨主体迁移学习，表现优于其他现有的方法，准确性高达 90%。
Mar, 2019
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
本研究提出了一种名为 Semantic-Discriminative Mixup（SDMix）的新方法，用于泛化跨域 HAR，自动消除域差异，大幅提高了识别率。
Jun, 2022
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
该论文提出了一种迁移学习方法，用于识别建筑工人的活动，需要比较少量的数据和计算时间，同时具有较好的分类准确性。研究表明，该方法可以在建筑领域中鲁棒地识别活动，对协作机器人的广泛应用具有重要意义。
Aug, 2023
本文提出了一种基于自监督技术的特征学习方法，应用于无形标签的传感器数据。该方法可以应用于人类活动识别等领域，可以通过转化识别任务提供监督信号提取有价值的特征，并在智能手机环境下的无人监督、半监督和迁移学习的情况下实现了与完全监督网络相当甚至更好的性能。该技术可被广泛应用于其他领域。
Jul, 2019
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。