从视频、身体加速度以及身体姿态跟踪三方面预测由音频提取的 20Hz 二进制说话状态信号，为说话状态检测方法的广泛评估提供了必需的信号和基准。

Mar, 2024

该论文提出了一种利用手机内置的加速度计传感器数据来识别用户身份的方法，通过建立一个随机森林分类模型，从步行数据样本中提取时间和频率信息特征。实验结果表明，该模型具有 0.9679 的准确率和 0.9822 的曲线下面积（AUC），可为智能手机提供一种低成本、高效的用户身份认证方法。

Nov, 2017

本研究提出了一种迭代式敌对数据增强（IADA）框架，用于利用少量的数据训练神经网络模型，以预测人类意图，并在实验上获得了比现有训练方法更强的鲁棒性和准确性。

Aug, 2021

使用智能手表传感器预测用户情绪，通过使用英文和区域语言视频收集数据，将问题建模为二元分类，并使用多个机器学习模型进行试验，发现多层感知器对愉快 - 不愉快情绪的分类具有最高准确率达到 93.75%。

Aug, 2023

本文介绍了使用声学线索模型来理解对话者交替的研究，提出了一种多任务神经方法，同时预测转换转变和发言者意图，实验结果表明，使用发言者意图预测的辅助任务可以提高对话中转换转变的预测性能。

May, 2018

通过手机传感器收集的活动数据可可靠地预测人的个性。使用从加速度计记录和运动模式计算出的指标，我们能够在两类问题上预测用户的个性，F1 得分最高可达 0.78。这些新颖的个性指标为社会科学的未来研究开辟了新的途径。我们的结果揭示了不同的行为模式，这些模式对五个大的人格特征有不同的预测作用。它们为无问卷调查地研究与个性相关的问题提供了成本效益高、前所未有规模的可能性。总体而言，本文展示了通过智能手机传感和机器学习技术获取丰富的行为数据如何促进个性研究，并能够为从业者和研究人员提供有关个性不同行为模式的信息。这些发现对于利用移动传感器数据进行个性评估的组织具有实际意义，并将指导未来更精确和高效的预测模型的改进。

Jan, 2024

提出了一种基于腕部传感器的动作触发感知系统，用于观察人类日常活动中的行为并预测意图，其中使用了循环神经网络和策略网络来编码和解码视觉和运动信息进行预测，并使用策略梯度和交叉熵损失共同训练整个网络。在使用第一天的日常意向数据集进行评估时，实现了很高的准确率。

Oct, 2017

通过研究语音与心脏活动的声学相关性，本研究证明了自监督语音模型在预测心脏活动参数方面胜过传统声学特征，并强调了个体变异对模型的普适性的影响，这些发现突显了数据驱动模型在这类任务中的价值，并需要更多基于语音的生理数据来解决与说话者相关的挑战。

Jun, 2024

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

使用智能手机的惯性传感器，以无约束状态采集步态数据，通过深度学习技术学习建模，提出了一种有效的步态识别方法，使得人员身份鉴别和认证性能高于 93.5% 和 93.7%。

Nov, 2018