human-activity-recognition

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。