本文介绍了细粒度活动检测和组合活动理解的挑战，并提出了一种新的基于手部和人体姿态的特征提取方法以及采用分解属性的方式来识别组合活动的方法。使用脚本数据可以识别没有训练数据的新组合活动。

Feb, 2015

本研究提出了一种基于Fisher向量和时间模型相结合的端到端生成式方法来实现人类活动的分割和识别，其适用于各种视频数据集并且优于现有的最先进方法。

Sep, 2015

本文提出了一种新的方法，该方法包括临时模式挖掘和自适应多任务学习，用于实现复杂活动识别，实验证明其有效性。

Nov, 2016

本文介绍了一种名为Collaborative Self-Supervised Learning（ColloSSL）的新技术，利用用户多个设备收集的未标记数据来学习数据的优质特征，实验结果表明，ColloSSL在多个实验设置中均优于全监督和半监督学习技术，与最佳基准测试成绩相比，F_1得分的绝对增量最高达7.9％；此外，ColloSSL在低数据情况下也表现优异，仅利用最佳情况下可用的十分之一的标记数据即可优于全监督方法。

Feb, 2022

本文探讨了离散化方法在人类活动识别(HAR)领域的应用，作者采用了向量量化技术(Vector Quantization，VQ)，提出了一种从短时间的传感器数据到码本向量的映射方法，证明了离散化方法不但可用于活动分类，还可用于符号序列分析。实验结果及讨论表明离散化分析传感器数据将会在 HAR 领域带来重大变革。

Jun, 2023

本文旨在通过开发AmicroN框架，使用运动签名和现有的宏观活动标签来自动生成微观活动标注，从而解决人类活动识别中未标注数据量过大的问题，并在公开数据集上进行了严格评估。

Jun, 2023

通过训练多个基于相同架构、从给定数据集中随机选择的模型并使用加强学习算法确定最佳的模型子集，提出了一种名为randomHAR的集成方法，以优化集成过程而非组成模型的架构，在6个人体活动识别基准数据集上的实验结果表明：该方法表现优于当前最优方法ensembleLSTM。

Jul, 2023

在环境辅助生活中，通过对时间序列传感器数据进行人类活动识别，主要关注预定义活动，通常忽略新的活动模式。本研究提出了一种基于对比学习的CLAN框架，用于人体活动识别的新颖性检测，该框架具有多种类型的负样本，并考虑到人类活动的特征挑战，包括时间和频率特征的显著性、复杂的活动动态、活动之间的共享特征以及传感器模态变化。该框架旨在构建抗挑战性的已知活动不变表示。通过对比和分类损失的表示学习以及基于评分函数的新颖性检测，生成适当的负样本对，根据每个数据集的时间和频率特征选择数据增强方法。提出的两塔模型从时间和频率两个方面提取表示，相互增强可区分新旧活动的表现能力，即使它们具有共同特征。在四个真实世界人类活动数据集上的实验证明，CLAN的性能优于现有新颖性检测方法，AUROC、平衡准确度和[email protected]指标分别提高了8.3%、13.7%和53.3%。

Jan, 2024

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

本研究解决了上下文-aware人类活动识别（CHAR）中的数据变异性问题，特别是在不同用户和手机放置情况下的活动识别。通过提出一种新的异构超图神经网络架构（HHGNN-CHAR），该研究利用活动和手机放置元组的图结构，显著提高了CHAR任务的表现，研究表明在真实场景数据集上，其整体表现优于现有最先进的模型。

Sep, 2024