本文介绍了一种能够应用于人类活动识别领域的深度长短期神经网络模型，该模型使用集成学习方法来提升分类准确度，并在三个标准测试数据集上表现出了出色的识别能力，具有很好的实际应用价值。

Mar, 2017

本文综述了深度学习在传感器活动识别中的最新进展，并从传感器模态、深度模型和应用三个方面总结了现有文献，并提出了未来研究的重大挑战。

Jul, 2017

本研究综述了传感器人体活动识别领域的深度学习方法，介绍了多模态传感数据以及可以用于不同挑战任务评估的公共数据集，并提出了一个新的分类法来组织深度方法的挑战，总结分析了相关深度方法以及当前的研究进展，并讨论了未来方向与存在的问题。

Jan, 2020

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

该研究探讨了如何从视频观察中自动推断人体在体力活动期间使用的卡路里量，并提出了一个可以同时处理高强度和低强度活动的数据集并通过评估表明该问题的困难性，需要进一步研究。

Feb, 2022

本研究使用自我监督学习技术在 UK-Biobank 活动追踪器数据集上训练活动识别模型，结果表明该模型在七个基准数据集上的 F1 分数相对提高 2.5%~100%，可推广至不同外部数据集、设备和环境。开源的模型将有助于研究人员建立高性能、自定义和可推广的活动分类器。

Jun, 2022

通过比较用户驱动的现场注释和回忆方法使用的四种不同常见注释方法的实证研究，结合展示活动日记和可视化工具，降低了缺失注释和提高了注释一致性，从而提高了深度学习模型的F1值约8％。

May, 2023

智能手机实时跟踪基于深度学习的自动运动重复计数系统，无需任何可穿戴设备或特定传感器或网络连接，实现了对体育锻炼的低成本和便利替代方案。

Jul, 2023

我们设计和实施了一个基于人工智能的平台，通过图神经网络推荐系统和佩戴式健身设备的精细健康行为数据，实现了对新加坡84,764位个体在12周内进行个性化和情境化的推送。统计验证表明，接收到优化的人工智能日常提醒的目标群体的日常体力活动，例如步数增加了6.17% ($p = 3.09 imes10^{-4}$)，每周中度至高强度体力活动时间增加了7.61% ($p = 1.16 imes10^{-2}$)，与未接收任何提醒的对照组相比，呈现出显著改善。此外，这些提醒被广泛接受，13.1%的提醒被打开（开启率），其中11.7%的提醒被评为有用，1.9%的提醒被评为无用，从而显示出人口级参与度的显著提高。

Jan, 2024

人类活动识别（HAR）是一个经过研究的领域，研究始于20世纪80年代。本文通过对数据的多样性和模型的容量等因素进行系统研究，全面梳理现代深度学习方法在识别复杂HAR时存在的准确性问题，并提出了潜在的研究方向。

Apr, 2024