本文比较了基于惯性测量单元 (IMU) 和基于视频的方法在军事按压和划船运动的人体运动分类中的表现，发现单个摄像头能比单个 IMU 提高 10 个百分点的分类准确率，而至少需要 3 个 IMU 才能超越单个摄像头。同时，使用基于多变量时间序列分类器进行原始数据处理的方法优于基于手工特征或自动提取特征的传统方法。最后，将单个摄像头和单个 IMU 的数据组合起来能超越任一数据模态，为使用智能手机摄像头和单一传感器进行有效的人体运动分类开辟了新的、更现实的途径。

Jul, 2023

利用机器学习算法的自我学习和传感器数据的对比匹配，可以解决实际数据标注的瓶颈问题，提高人体活动识别系统的性能。

Nov, 2023

该研究致力于提供一种通过廉价视频和自定义传感器记录的数据集来实现人体姿态跟踪和运动重建的方法，以支持远程的日常生活活动识别和运动学分析等问题。通过对 54 名受试者进行研究，验证了该数据集具有良好的临床应用价值和相关的不扰动采集协议，并可以提供人体关节角度的全面图像。

Mar, 2023

本文提出了使用卷积神经网络 (CNNs) 对人类活动进行分类的方法，该方法利用惯性传感器测量身体的加速度和角速度，并使用不同的神经网络结构适应运动信号，探究单个、双个和三个传感器系统的分类潜力，实验结果表明该方法具有很好的分类性能。

Jun, 2019

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

通过建立定制的廉价解决方案，实现对多个身体部位方向的同时跟踪，并提供硬件、工具和数学操作的详细自下而上描述以实时估计和表示 3D 运动；引入包含频道跳转策略的定制 2.4 GHz 通信协议，以解决入门级商业解决方案的通信限制问题；该系统可用于无线实时人体部位方向的跟踪，最多可使用 10 个自定义传感器，并以至少 50 Hz 的速度进行；此外，它在蓝牙和 Wi-Fi 频道拥挤的环境中提供了更可靠的运动数据采集，而入门级商业解决方案可能是不可行的；该系统可以为开发不需要精确运动分析的经济实惠的人体运动分析解决方案提供基础。

Feb, 2024

本文研究了利用现有的智能手机，智能手表和耳塞等设备中的 IMU 来估算人体姿态的可行性，并通过对于 10 个参与者的 IMU 数据集进行评估证明了该方法的有效性。

Apr, 2023

本文介绍了一个用于人类活动识别的多模态基准数据集 WEAR，其中包括了视觉和可穿戴设备的数据，有效地提高了各种算法的性能表现。此外，我们还展示了基于 Transformer 的视频动作检测模型在惯性和多模态人类活动识别方面的可行性，这是第一次使用此方法进行探索。

Apr, 2023

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