提出了一种新的鲁棒 HDP-HSMM（rHDP-HSMM）方法，用于减少冗余状态的数量，并改善模型估计的一致性。通过模拟研究和使用自然驾驶数据的案例研究来证明该方法在识别和推断驾驶操纵模式方面的有效性。

Nov, 2023

使用非监督学习方法，结合非参数贝叶斯方法和全局连续的时间建模，发现视频数据中的活动模式并检测异常，此方法比现有的方法更加完善和精确。

Oct, 2018

通过提出一种作为生成模型的多变量周期 Hawkes 过程模型，该模型可以捕捉人类活动的时间聚类、相互依赖结构和相互兴奋以及一周内时间周期效应。我们将这个模型应用于大规模信用卡交易数据集，并证明 MPHP 在交互事件时间分布和活动预测任务的统计适合度上超过非齐次泊松模型和 LDA。

May, 2020

基于视频流，本研究开发了一个机器学习系统，用于检测手工装配过程中的当前动作，以提取关键绩效指标并提高手工过程的分析能力。通过骨骼动作识别方法，研究证明了机器学习在手工过程分析中的潜力。

Oct, 2023

本文章提出了一个基于生成式循环神经网络的框架，用于检测动作模式并对动物的感觉 - 运动关系进行建模，在果蝇行为和在线手写字迹两种数据上进行了测试，结果表明，利用未标记的序列通过预测未来运动显著地提高了在训练标签稀缺时动作检测的表现，该网络可以学习到高级现象，如作者身份和果蝇性别，且无需监督，在将运动预测作为网络输入生成的模拟运动轨迹看起来真实，可用于定性评估模型是否学习到了生成控制规则。

Nov, 2016

基于隐性半马尔可夫模型（HSMM），本文提出了一种无监督学习的谐波分析方法。我们引入了和弦质量模板，其指定了给定根音和和弦质量的音高级别的概率。除此之外，构成 HSMM 的其他概率分布通过无监督学习自动学习，这在现有研究中是一个挑战。通过使用现有的标记数据评估了所提出模型的谐波分析结果。虽然我们提出的方法还没有像使用监督学习和复杂规则设计的现有模型那样表现出色，但它具有不需要昂贵标记数据或规则详细说明的优势。此外，我们还展示了基于马尔可夫模型的状态转移概率如何实现无先验知识下的基音识别。

Mar, 2024

传统的心理健康研究方法包括广义线性模型（GLM）来描述观察到的心理行为测量（问卷摘要得分）的纵向动态。而隐藏马尔可夫模型（HMM）通过有限状态自动机（FSA）的视角应用于行为和神经活动与抑郁之间的关系，以提供更综合和直观的建模和理解框架。

Mar, 2024

利用穿戴式传感器采集的生物行为数据，提出了一种新的无标签穿戴式时间序列挖掘框架（HOT-ROD），用于发现行为习惯，并验证了该方法在提取行为习惯方面的实用性。

Jul, 2023

本文介绍了一种自动识别视频监控中群组活动的新方法，提出使用群体代表来处理识别，使用异步隐马尔可夫模型来建模人际关系，并提出了一种既能处理对称性又能处理非对称性群组活动的算法，证明了该方法能够检测人与人之间的分层互动关系，实验结果表明了方法的有效性。

Feb, 2015

本文提出了一种基于概率推理的在线计划识别方法，采用抽象隐马尔可夫模型（AHMM）作为计划执行模型，结合 Rao-Blackwellised 粒子滤波器构建高效的混合推理方法，从而实现了多层次的动态计划识别。

Jun, 2011