Human Activity Recognition
PulseAugur coverage of Human Activity Recognition — every cluster mentioning Human Activity Recognition across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新理论解决雷达人体活动识别中的泛化问题
研究人员开发了一个理论框架，用于分析隔墙雷达（TWR）人体活动识别（HAR）中的泛化问题。该框架在源到目标学习的框架内，建立了人体运动学、雷达回波生成、图像形成和特征表示的模型。它推导出了统一的目标域泛化界，并将结构化偏移分解为跨人、跨视角和跨墙分量，分析了物理表示和多源训练的影响。
-
新的IBIS框架增强了用于人类活动识别的Wi-Fi传感能力
研究人员开发了IBIS，一个新颖的集成框架，旨在提高用于人类活动识别（HAR）的Wi-Fi传感的稳健性。该系统结合了用于特征提取的Inception-双向长短期记忆（BiLSTM）网络和用于分类的支持向量机（SVM），专门解决了困扰当前HAR技术的域偏移问题。在实验中，IBIS的准确率达到了95.40%，在跨场景评估中比标准架构提高了7.58%，并有效降低了基于Wi-Fi的HAR的环境依赖性。
-
FedAvg 算法探索个性化与泛化能力在 HAR 中的权衡
本文探讨了 FedAvg 算法在人类活动识别 (HAR) 领域的有效性，重点关注联邦学习中个性化与泛化准确性之间的平衡。研究人员设计并实施了各种测试场景，以比较集中式、本地式和联邦式学习范式，包括模拟变化的客户端数据。实验结果表明，与传统的集中式学习相比，FedAvg 在保持强大泛化能力的同时提供了更好的个性化，尽管在客户端之间变化的类别分布等挑战性条件下，这种优势会减弱。
-
STELLA框架赋能LLM进行设备端人类活动识别
研究人员开发了STELLA，一个新颖的框架，旨在赋能大型语言模型（LLMs）进行设备端人类活动识别（HAR）。该系统有效地将原始传感器数据转换为紧凑的潜在令牌，然后由冻结的LLM进行处理。STELLA还通过调整轻量级分词器来实现设备端个性化，允许随着用户特定数据的积累而持续改进。该框架在多个数据集和设置中实现了最先进的性能，证明了在实际移动和边缘计算约束下进行实时推理的能力。
-
新研究应对人类活动识别中的领域泛化挑战
一篇新研究论文探讨了由于分布偏移导致的人类活动识别（HAR）领域泛化挑战。该研究系统地评估了四种类型的偏移——设备类型、传感器放置、采样率和用户行为——发现多样性偏移占主导地位。该论文提出了一个HAR分布偏移基准，并评估了28种领域泛化方法，揭示了当前算法在实现模型泛化能力方面的局限性。
-
新方法改进零样本人类活动识别
研究人员开发了一种新方法，利用惯性测量单元（IMU）数据来改进零样本学习在人类活动识别中的应用。他们的方法侧重于通过优化原型表示来弥合传感器数据与语义理解之间的差距。通过采用对比训练和使用更具描述性的文本原型，他们在识别未见过活动的准确性方面取得了显著提高。
-
新框架用最少数据实现可穿戴设备活动识别个性化
研究人员开发了一种新的框架，用于在可穿戴设备上个性化人类活动识别（HAR）模型。这种无梯度的方法可以重新利用现有的HAR分类器，用最少的校准数据适应新用户，即使这些数据是未标记的或不可用的。该方法在准确性方面显示出显著的改进，监督自适应将性能提高了高达33.44个百分点，无监督自适应提高了高达32.13个百分点。
-
GenHAR框架通过域不变学习改进人类活动识别
研究人员开发了GenHAR，一个新框架，通过解决传感器数据中的域偏移来改进人类活动识别（HAR）。GenHAR通过对传感器数据进行分词并分析跨维度的相关性来学习域不变表示，增强了模型的鲁棒性。该框架还纳入了选择性掩码和高效的注意力机制，以提高性能并降低计算负载。在实际测试中，GenHAR比现有方法提高了9.97%的准确率，并被部署用于检测四个城市超过21.5亿次活动。
-
新的SAMoE-C方法通过场景自适应专家改进了基于CSI的HAR
研究人员开发了一种名为场景自适应专家混合与聚类专家（SAMoE-C）的新方法，以改进使用信道状态信息（CSI）的人类活动识别。该方法通过一个基于注意力机制的语义路由器来激活仅相关的专家，从而解决了CSI系统在遇到不同物理环境时性能下降的问题，实现了场景特定的自适应。该系统还利用最小重放缓冲区来提高训练稳定性，并与现有的持续学习解决方案相比，显著降低了推理成本。
-
新算法可为超低功耗可穿戴设备检测人类活动变化
研究人员开发了一种新的传感器内人类活动识别算法，可显著降低可穿戴设备的能耗。该非参数变化检测门使用动态模板匹配，计算量极小，仅在检测到活动变化时才调用完整的识别网络。该系统在各种数据集上表现出高灵敏度和特异性，在实际场景中计算负载减少了 67% 以上，且无需预先定义活动类别。
-
新的三重频谱融合框架增强了基于传感器的用户活动识别
研究人员开发了一种新颖的三重频谱融合框架，用于基于传感器的用户活动识别（HAR）。该框架通过在傅里叶、图傅里叶和小波域采用自适应滤波技术，解决了异构传感器数据融合和建立长期上下文关联的挑战。该方法包括噪声抑制、模态节点组织和自适应小波频率选择，以增强特征提取和上下文关联，并在多个基准数据集上展示了卓越的性能。
-
用于鲁棒低数据序列学习的GRU对比增强门控
研究人员开发了一种名为平方S型函数-双曲正切函数（SST）的新激活函数，旨在提高门控循环单元（GRU）在序列学习任务中的性能，尤其是在训练数据有限的情况下。这种无参数的修改增强了门激活之间的对比度，从而实现了更清晰的信息过滤和更稳定的学习。在手语识别、人类活动识别和时间序列预测方面的评估表明，SST-GRU在数据稀缺环境中始终优于标准GRU，且计算成本增加极少。
-
AI模型通过可解释规则从Wi-Fi信号中学习人类活动
研究人员开发了一种使用Wi-Fi信道状态信息（CSI）进行人类活动识别（HAR）的新方法。该方法旨在通过将原始CSI数据压缩为离散的潜在表示，使深度学习模型更具可解释性和可控性。然后，系统提取因果依赖关系，并将其转换为线性时序逻辑（LTL）规则进行分类，为传统的黑盒模型提供了一种符号替代方案。
-
新的HAR框架使用无通道融合处理异构物联网传感器数据
研究人员开发了一个新颖的人类活动识别（HAR）框架，旨在克服物联网环境中异构传感器环境带来的挑战。所提出的无通道方法允许单个模型进行推理，而无需假设固定数量或类型的输入通道，使其在不同数据集和设备之间更具可重用性。这是通过通道编码、元数据条件晚期融合以及通道级和融合预测的联合优化来实现的。