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

基于 Residual 网络和 Residual MobileNet 集成的分层多结构方法（FusionActNet）能够有效地对不同的人类活动进行分类识别，并在 UCI HAR 和 Motion-Sense 数据集上取得了 96.71% 和 95.35% 的准确率。

Oct, 2023

该论文介绍了一种无监督方法，通过基于人类活动的特性将人类活动投射到一个嵌入空间中，在该空间中相似的活动会紧密地聚集在一起，从而帮助聚类算法实现对人类活动的识别和分类，相较于直接应用于原始数据集的非监督技术，我们的方法在识别和分类潜在人类活动方面取得了更好的性能。

Jul, 2023

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

通过使用从目标活动的视频记录中得出的实时 2D 姿势估计派生的得出骨架数据，本文引入了一种解决这个问题的新方法，为识别最佳传感器位置提供了一种独特的策略。我们通过进行可行性研究验证了我们的方法，将惯性传感器应用于监测十个被试者的 13 种不同活动。我们的发现表明，基于视觉的传感器放置方法与传统的深度学习方法提供了可比较的结果，从而证明了它的有效性。该研究通过提供一种轻量级的、设备上的解决方案来确定最佳传感器位置，从而改进了数据匿名化，支持多模态分类方法，显著推进了人体活动识别领域。

Jul, 2023

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

本文提出一种在不需要在新的身体部位获取分类标签的情况下，通过利用现有的活动分类器在参考身体部位的惯性测量单元（IMU）数据的基础上进行活动分类的创新方法来执行新的身体部位上的活动分类。

Apr, 2023

通过计算机视觉和惯性测量单元 (IMU) 等广泛应用的技术以及最近在临床和研究环境中日益流行，来评估人体的身体活动。然而，为了增加患者在实验室外的跟踪可行性，有必要减少运动采集设备。在这方面，IMU 设备和单一摄像头系统是有希望的解决方案。此外，还需要开发能够在野外环境中识别和处理临床相关数据的机器学习系统，因此确定这些系统的理想输入至关重要。

Feb, 2024

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。

Apr, 2023