标签
HiPPT是一个基于生理学的可穿戴PPG表示学习框架，通过多范围文本对齐（记录级形态对齐与跨记录上下文对齐）在超过400万条腕部PPG记录上进行预训练，在血压、血管僵硬度等六项下游任务的线性探测中取得最佳结果，并支持年龄组、性别和BMI的零样本画像。
REFIT 提出了一种面向冻结活动识别模型的无标签输入校准方法，通过拟合坐标轴变换族以匹配训练统计数据，从而纠正可穿戴传感器的放置偏移（例如更换佩戴手腕或重新绑紧腕带），在无需重新训练的情况下，性能优于现有的测试时自适应方法。
LiteEMG-FM 是一种高效的混合 CNN-Transformer 基础模型，基于 16 个肌电（EMG）数据集进行预训练，可实现鲁棒的零标定手势识别。论文通过分层唤醒门机制展示了其在资源受限边缘设备上的实时部署能力，并评估了不同卸载范式下的延迟、功耗与内存开销的权衡。
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。
一项使用多模态可穿戴数据集进行生理情绪识别的时序深度学习架构比较研究，评估了LSTM、TCN和Transformer模型在不同传感配置下的表现。
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Individual Conformal Coupling Monitor (ICCM)，一种预推理方法，用于检测可穿戴压力分类中的结构模糊性，通过路由不确定信号以进行弃权或推迟来提高安全性。
本文介绍了一项针对66名老年人的纵向多模态研究，利用可穿戴传感和临床评估来预测身体活动、睡眠时长和睡眠呼吸暂停严重程度，发现行为目标更可预测，历史特征是关键预测因素。