本研究使用手机加速度计数据对 8 种复杂活动进行基于深度学习的二分类，取得了 AUROC 得分高达 0.76 的良好结果，表明在后疫情时代使用手机加速度计数据对复杂活动进行识别的可行性。

Jan, 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

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

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

该论文提出了一种利用手机内置的加速度计传感器数据来识别用户身份的方法，通过建立一个随机森林分类模型，从步行数据样本中提取时间和频率信息特征。实验结果表明，该模型具有 0.9679 的准确率和 0.9822 的曲线下面积（AUC），可为智能手机提供一种低成本、高效的用户身份认证方法。

Nov, 2017

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

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

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

本文研究怎样利用加速度计和深度学习方法实现人类活动识别效果更准确，并且避免手工特征设计的问题，该方法可利用海量未标记数据进行特征提取。同时，本文还提出了基于深度学习和隐马尔可夫模型（DL-HMM）的分层识别方法，此方法将深度学习模型的分层表征与 HMM 的时序建模相结合，实现了对人类活动的精准识别，有效改进了以往算法的性能。

Nov, 2015

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