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

本文介绍了使用点云数据技术和机器学习技术实现的多居住者活动识别系统 PALMAR，该系统采用了分特征呈现的实时 PCD 微调方法、高效聚类技术、自适应多人追踪、区分多义歧义并提高识别准确性的领域自适应技术等多种创新技术，能够在多人场景中显著提高多人追踪准确率，且效果令人满意。

Jun, 2021

人体活动识别（HAR）是一项基础研究领域，已经在家庭与职场自动化、安全监控以及医疗保健等多个应用中得到应用。本文综述了基于传感器的 HAR，讨论了依赖于 HAR 的几个重要应用，并介绍了 HAR 中常用的机器学习方法，同时探讨了 HAR 存在的若干挑战以进一步提高其稳健性。

Sep, 2023

该论文提出了一种迁移学习方法，用于识别建筑工人的活动，需要比较少量的数据和计算时间，同时具有较好的分类准确性。研究表明，该方法可以在建筑领域中鲁棒地识别活动，对协作机器人的广泛应用具有重要意义。

Aug, 2023

本文对人类活动识别系统的设计和实施进行了简要概述，并总结了在多居民环境中使用这些系统的先前研究成果，提供了对这一领域现状的结论。

Apr, 2023

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

本文提出了一种低复杂度高精度的端到端方法，使用来自低成本 mm 波雷达的稀疏点云序列，结合扩展物体跟踪 Kalman 滤波器和针对雷达点云的有效特征提取和快速推理的深度学习分类器，实时跟踪和识别多个主体，并在一组八个对象中准确识别三个对象，操作速度高达 15 帧 / 秒。

May, 2021

利用 mmWave 雷达进行人体活动识别的大规模开放数据集 MiliPoint，提供了一种更有效的基于点集的深度学习方法，包括 DGCNN、PointNet++ 和 PointTransformer 等，可为进一步发展奠定基础。

Sep, 2023

本研究基于一个大规模无标签数据集上学习的自监督表征及浅层多层感知器模型，在未参与训练的真实世界数据集上取得了良好性能，并可通过不同传感器的数据训练，从而实现了设备无关型人体活动识别模型，将有助于增加 HAR 领域中模型评估的标准化。

Apr, 2023

本研究提出了一种使用 mmWave 雷达和深度卷积神经网络（CNN）的新型患者行为检测系统，支持实时同时识别多个患者的行为，利用三层 CNN 模型对每个患者的行为进行分类，经过训练和测试，在两个患者场景下取得了非常好的推理准确性。

Nov, 2019