人体区域电容或电场感测用于人体活动识别和人机交互的综述
本文介绍了一种新颖的可穿戴传感原型，将 IMU 和体电容传感模块结合起来，用于识别制造业中工人的行为。我们提出并比较了早期和晚期传感器数据融合方法，针对多通道时间序列卷积神经网络和深度卷积 LSTM 模型。通过使用我们提出的传感原型和苹果手表在制造流水线的测试平台上收集和注释传感器数据，我们评估了所提出的硬件和神经网络模型。实验结果表明，我们提出的方法相对于基线方法具有更好的性能，表明所提出的方法在制造业的实际应用中具有潜力。此外，配备有体电容传感器和特征融合方法的传感原型相比于没有体电容传感器和苹果手表数据的传感原型分别提高了 6.35%，宏 F1 评分较高 9.38%。
Aug, 2023
本文提出一种基于非接触手势识别的实时界面控制框架，通过处理原始信号、检测电场干扰并提取有效信号帧的方法实现了 98.8% 检测率和 98.4% 的帧校正率。采用 GRU 模型对于 10 种手势可以实现 98.79% 的准确率，这一技术为电容式感应技术和非接触近程感应技术提供了商业化可能性。
Jan, 2022
本文提出 TouchAuth，一种基于室内环境电场引起的 iBEPs 来进行设备认证的新方法。TouchAuth 采用了 iBEP 发生的静电学和一个结果特性，即同一人体上两个相邻位置的 iBEPs 相似，而来自不同人体的 iBEPs 是不同的。与现有的身体内通信和生理传感方法相比，TouchAuth 是一种低成本、轻便、方便的方法，授权用户进入室内环境中智能物品。
Feb, 2019
本研究通过对不同样本生成过程和验证协议进行分析，实施和评估了多种高性能方法，从手工制作的方法到卷积神经网络等各种方法，发现当前的实验评估方法都无法在可穿戴传感器数据的背景下执行活动识别，在此之中，识别准确度显着下降，该研究着重解决了在可穿戴传感器数据基础上的人体活动识别中影响识别准确性的关键问题，是第一篇解决这个问题的研究。
Jun, 2018
本文通过文献综述，使用六种公开数据集，采用标准化评估标准对最先进的人类活动识别技术进行比较，提出了一种改进的混合手工特征和神经网络架构的方法，优于先前的技术，并证明标准化评估是必要的。
Jan, 2021
本文介绍了一种手势识别技术，使用嵌入式电容传感器生成实时信号并利用机器学习技术分析时间序列信号以识别五个手指的三个特征，其性能可与监督式可变自编码器等更高级的方法相媲美，并能通过自适应的误差校正机制进一步提高其分类性能，从而证明了运用此技术实现敏捷手势识别系统的可行性。
May, 2023
综合不同的感知模态与多个位置有助于形成对人类行为等复杂情况的统一感知和理解，因此，人类活动识别受益于综合冗余和互补信息（单模态 / 多模态）。然而，这并不是一项容易的任务，它需要多学科的方法，包括传感器技术、信号处理、数据融合算法和领域特定知识。本博士研究使用惯性、压力（音频和大气压力）和纺织电容感应等感知模型进行人类活动识别。所探索的场景包括手势和手部位置跟踪、面部和头部模式识别以及身体姿势和手势识别。所选择的可穿戴设备和感知模型完全集成了基于机器学习的算法，其中一些实现在嵌入式设备上，并在实时环境中进行了测试。
Apr, 2024
利用智能手机上的多个传感器学习数据以检测人体与移动设备的三维空间接近性，以提供非侵入式医疗诊断信息。该预测技术实现了高达 88.75％的准确度和 88.3％的特异性。
Dec, 2015