标签
本文提出在CABiGRU时序架构上先使用扩散模型生成的传感器窗口进行预训练，再基于真实DEO智能手表数据进行微调，以改善对代表性不足的饮食类活动的识别，实现90.6%的平衡准确率。该方法表明，与SMOTE/GAN数据增强相比，基于扩散模型的合成数据能更好地保留多元时序结构，从而有效应对人类活动识别中的类别不平衡问题。
本文评估了Jev——一个固定的通用概率决策模型——在加速度计数据上进行免训练人类活动识别的效果，发现其远低于监督模型（宏平均F1为0.038–0.118，对比0.686–0.907），并表明单纯增加更多数值传感器特征实际上会降低性能，除非与确定性语义表示相结合。
本文介绍了一个无线智能鞋垫平台和机器学习工作流，用于识别坐、站、走和不稳定行走等人体活动，以支持老年护理中的持续监测，使用压力和惯性信号并具有高精度。
本文提出了一种覆盖感知的虚拟IMU增强框架，以解决人类活动识别中的数据稀缺问题，通过生成和选择合成传感器数据来提高有限标注数据下的模型性能。
本文介绍了AHL Studio，这是一个使用智能体启发式学习的工具，无需传统训练即可创建用于人类活动识别的可执行、可检查策略，目标面向边缘部署。
一篇研究论文，评估了CNN-BiLSTM模型CHAP在可穿戴加速度计数据中分类久坐行为的表现，重点关注从髋部到腕部佩戴位置的迁移以及微调的好处。
RAG-HAR+ 是RAG-HAR的一种检索优先、成本优化的扩展，用于从可穿戴传感器进行人体活动识别。它利用检索设计器代理和多数投票机制，在降低LLM使用量的同时保持准确率，并展示了边缘部署的可行性。
Inertia-1 是一项完全开源的可穿戴运动基础模型探索，利用了超过 1820 万小时的加速度计数据，系统性地研究了 15 个数据集中的数据、模型和训练选择，用于活动识别和疾病预测等任务。
STELLA是一个高效的传感器到LLM翻译框架，专为设备端人体活动识别设计。它将多通道惯性传感器数据压缩为紧凑的潜在令牌，在七个公开HAR数据集上达到了新的最先进性能，同时支持设备端个性化和实时推理。
本文系统比较了HARMES数据集上七种最先进的传感器融合方法用于多模态人体活动识别，结果表明门控多模态融合取得了最高的宏F1分数0.82，比基线提高了6个百分点。
本文介绍了WISE-HAR，一个用于基于WiFi的人类活动识别的集成深度学习框架，实现了鲁棒的性能和跨场景的泛化能力，准确率下降极小。
本文系统地探索了混合 KAN 和 MLP 架构用于基于 IMU 的人类活动识别，相比纯 MLP 基线实现了 5.33% 的平均宏 F1 改进。