本文提出了一种基于自监督技术的特征学习方法，应用于无形标签的传感器数据。该方法可以应用于人类活动识别等领域，可以通过转化识别任务提供监督信号提取有价值的特征，并在智能手机环境下的无人监督、半监督和迁移学习的情况下实现了与完全监督网络相当甚至更好的性能。该技术可被广泛应用于其他领域。

Jul, 2019

通过多模态对比预训练方法 MuJo，利用视频、语言、姿势和 IMU 传感器数据，改善了不同模态下的人类活动识别性能，在 MM-Fit 数据集上达到了令人印象深刻的宏平均 F1-Score 为 0.992 和 0.999 的分类效果，同时展示了最高达 0.638 的泛化性能。

Jun, 2024

本研究提出了一种新型的人体步态识别方法，名为 GaitFi，该方法利用 WiFi 信号和视频进行人体识别，其中 Channel State Information 可以捕捉人体步态，经实验证明 GaitFi 表现较好，可达到 94.2% 的人体识别准确率。

Aug, 2022

本文提出了 MM-Fi，这是第一个多模态、非侵入式的 4D 人员数据集，通过利用 LiDAR、毫米波雷达和 WiFi 信号等技术，来桥接无线感知和高级人员任务，支持人体姿态估计和动作识别等潜在感知任务。

May, 2023

本文提出了一种基于新颖的几何自监督学习算法的自动 WiFi 感知模型 AutoFi，该模型可以利用不需要额外标注的低质量 CSI 样本进行学习，并将学习的知识传递到特定的用户定义任务中进行交叉任务转移，从而实现自动的 WiFi 感知。在人类步态识别任务和公共数据集上，AutoFi 实现了领先的性能，并展示了跨任务学习的能力。

Apr, 2022

混合廣場：一種利用有標籤和無標籤活動的深度半監督人體活動識別方法，通過線性插值和混合校準機制來提高傳感器數據的特徵嵌入效果，展示了深度半監督技術在人體活動識別中的潛力。

May, 2024

本研究基于 Wi-Fi CSI 研究人体活动识别，提出一种使用深度学习方法的系统，并比较了卷积神经网络、长短期记忆网络和混合模型的效果，结果表明 LSTM 的平均准确率达到 95.3％，相比 CNN 和混合技术更加有效，未来需要在不同的复杂环境中研究其稳健性。

Apr, 2023

本文提出一种元学习的联邦表示学习框架 Meta-HAR，将信号嵌入网络联邦元学习，再将学习到的信号表示馈入每个用户的个性化分类网络进行活动预测，从而在维持高测试准确性的同时实现了个性化，并且在多个基线测试中表现显著优于 Federated Averaging、Reptile 和甚至某些情况下的集中式学习。

May, 2021

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

本文介绍了一种新方法，即多视图融合变压器（MVFT），通过编码时间视图、频繁视图和统计视图来生成多视图特征，并提出一种新的注意机制以揭示细节关系建模。实验表明，该方法比几种最先进的方法更优异。

Feb, 2022