利用时间戳监督的联合活动分割和识别方法，通过估计原型、生成样本级伪标签以及最优运输理论，以改善人类活动识别和时间序列分割问题。

Oct, 2023

提出了一种新颖的端到端方法，能够有效地探索从智能手机收集到的减少数量的感知数据，以实现在日常出行活动中准确的模式检测。通过将现有的 CNN biLSTM 模型扩展为 Feature Pyramid 网络，结合浅层富度与深层特征韧性的优势，FPbiLSTM 在检测各种交通模式的 2018 年 Sussex-Huawei Locomotion（SHL）挑战数据集上表现出优秀的性能，只使用了七个传感器中的三个（加速计、陀螺仪和磁力计），达到了 95.1％的值得注意的准确度和 94.7％的 F1 得分。

Oct, 2023

本文提出了一个 Motion TRansformer (MTR) 框架，将运动预测看作全局意向定位和局部运动细化的联合优化问题，通过可学习的少量运动查询对来引入空间意向先验，实现了更好的多模态预测。实验表明，该方法在多个运动预测挑战上均达到了最先进的水平，并在 Waymo 开放式运动数据集的排行榜上排名第一。

Sep, 2022

该论文首次系统地展示了最新的 TAL 模型在使用原始惯性数据作为输入进行可穿戴式人体活动识别（HAR）方面的适用性，并利用 4 个可穿戴活动识别基准数据集证明这些模型在 F1 分数上的提高幅度可达 25%。通过引入 TAL 社区的最流行度量标准 —— 均值平均精度，论文分析表明 TAL 模型能够产生更连贯的片段，并在所有数据集上具有更高的 NULL 类别准确率。作为首次提供这样的分析，TAL 社区为惯性式 HAR 提供了一个有待探索的设计选择和训练概念的有趣新视角，对惯性式 HAR 社区具有重要价值。

Nov, 2023

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

本文提出了一种新颖的多模态人体活动识别系统，并使用了两种流的决策级融合来融合视觉和惯性传感器的信息，通过此方法准确率远高于现有的最先进方法。

Jun, 2023

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

本研究利用多种模型，探索基于用户偏好和行程特征（如成本、时间、出行目的和距离）的最佳交通方式，在实际生活中得到的数据支持下，研究发现使用梯度加速树模型结合少数类过采样技术（SMOTE）的表现最为突出，而在对数模型中可以看出：（1）交通成本增加会降低各种交通方式的效用；（2）对于地铁或多模式选项（包含地铁）人们对于出行距离有较高的容忍度，说明地铁线路可能是大城市最佳候选方案。

Oct, 2019

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

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