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

人类行为 / 动作识别中，通过跨模态转移学习，介绍了人工智能模型、IMU 数据和多模态学习的重要性以及它们的应用潜力。

Mar, 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

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

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

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

通过利用嵌入式传感器进行人体活动识别以及 LSTM 算法，针对印度尼西亚的使用普及率日益增加的智能手机，本研究分析了 25 位参与者的数据，对九种运动类型进行了机器学习模型开发基础上的肌肉力量动作的重要传感器属性的研究，旨在维持高生活质量以预防健康衰退。

Jan, 2024

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

为了改进基于可穿戴传感器的人体活动识别，本文提出了一种从 3D 骨架姿势序列中直接生成传感器数据的姿势到传感器网络模型，并同时训练姿势到传感器网络和人体活动分类器，通过优化数据重构和活动识别来改进性能。实验结果表明该框架优于基线方法，并在 MM-Fit 数据集上取得了显著的性能提升。

Apr, 2024