人体活动识别(HAR)是一项基础研究领域,已经在家庭与职场自动化、安全监控以及医疗保健等多个应用中得到应用。本文综述了基于传感器的 HAR,讨论了依赖于 HAR 的几个重要应用,并介绍了 HAR 中常用的机器学习方法,同时探讨了 HAR 存在的若干挑战以进一步提高其稳健性。
Sep, 2023
通过利用公开标记的人体活动识别数据集进行转移学习,我们提出了一种经济有效的跨领域人体活动识别框架,以更好地处理具有非常有限标签信息的活动识别场景。
Oct, 2023
本文系统分类总结了利用低功率传感器进行人体活动识别的深度学习方法及其发展趋势和主要挑战,同时介绍了深度学习驱动人体活动识别的尖端技术和未来方向。
Oct, 2021
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
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
本文对人类活动识别系统的设计和实施进行了简要概述,并总结了在多居民环境中使用这些系统的先前研究成果,提供了对这一领域现状的结论。
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
结合增加的预期寿命和下降的出生率导致人口老龄化问题,可穿戴传感器技术的人体活动识别成为一种有着巨大潜力的辅助技术来支持老年人的日常生活,近期的研究聚焦于深度学习方法或单一传感器模态,为了给机器带来类似的智能,多模态机器学习成为研究者们热衷的领域之一,本研究从新颖的视角对多模态学习在可穿戴传感器技术的人体活动识别领域的应用进行全面调查,包括探索最近的传感器模态和深度学习方法,研究目前的多模态系统的技术,以及解决现有问题的多模态学习方法,同时连接其他领域的多模态文献与当前的可穿戴传感器技术的人体活动识别领域,最后识别出当前领域的挑战和潜在研究方向以进一步提升该技术的性能。
Apr, 2024
该研究论文探讨了在多任务环境下的联邦迁移学习,用于基于传感器的人体活动识别和设备位置识别任务,并通过使用 OpenHAR 框架和 DeepConvLSTM 结构在联邦学习环境中进行了多个实验,结果显示相比个别客户端训练和完全集中化方法,利用迁移学习和训练的任务特定及个性化的联邦模型可以获得类似的准确性并且更高的准确性。
Nov, 2023