本研究提出了一种新的人体活动识别方法，称为差分隐私集成决策梯度（IDG-DP），旨在解决隐私漏洞问题。该方法在抵御黑箱成员推断攻击方面表现优异，同时保持高实用性，推动医疗环境中雷达基础活动识别的隐私保护。

本文综述了基于传感器的人体活动识别（HAR）研究，探讨了深度学习方法的应用及其挑战。研究表明，Wi-Fi信号能够有效识别简单的人类活动，并提出了一种新型系统，实现远距离无接触识别，且在不同环境下表现出良好的准确性。

研究发现，在数据稀缺和资源有限的情况下，转化器模型在人体活动识别中表现不佳。其计算需求高，性能不如传统模型，量化后性能下降，对抗攻击下鲁棒性弱，可能影响用户信任。

本文探讨了基于深度学习的人体活动识别（HAR）研究，提出了利用注意力模型和迁移学习等新方法，显著提升了识别性能。同时分析了训练过程中的标准化问题，并提出改进方案，验证了在不同数据集上的有效性，展望了未来研究方向。

本文探讨了大型语言模型在人体活动识别和自动驾驶中的应用，提出了ADL-X数据集和LLAVIDAL框架，以优化活动识别性能。研究表明，整合大型语言模型可以提升自动驾驶系统的安全性和决策能力，具有应对公众信任和未知场景挑战的潜在益处。

本文介绍了多视图融合变压器（MVFT）及其他基于深度学习的人体活动识别方法。这些方法在分类准确性和特征提取方面优于现有技术，展现出良好的鲁棒性和扩展性，适用于多模态数据融合和无监督学习等领域。

随着预期寿命的增加和出生率的下降，人口老龄化问题日益严重。可穿戴传感器技术在支持老年人日常生活中展现出巨大潜力。研究者们关注多模态机器学习在人体活动识别中的应用，探索深度学习方法和传感器模态，以提升技术性能。

本文探讨了神经符号混合系统在机器学习和符号推理中的潜力，提出了一种基于语义损失函数的上下文感知人体活动识别方法，结合深度学习与符号推理，提高了模型的学习效率和准确性。同时，研究介绍了符号回归的应用及其可解释性，展示了在优化问题中的有效性。

本文探讨了序列到序列方法在无监督和半监督学习中的应用，特别是在人体活动识别和时间序列分割任务中。这些方法有效提取特征，提高识别性能，并在处理传感器数据时表现优异。

本文提出了一种基于语义损失函数的神经符号AI方法，用于上下文感知的人体活动识别。研究表明，利用大型语言模型（LLMs）能够有效识别原始IMU数据中的人类活动，并在多个基准数据集上优于传统方法。此外，生成式人工智能在解决有限标注数据问题和开发HAR模型方面展现出良好前景。

通过对深度学习在视觉数据上应用的研究文献的系统回顾，本研究讨论了独居老人安全的两个主要任务：摔倒检测和人体活动识别，以及相关数据集和硬件设备的使用情况，并对现有方法的优势和劣势进行了讨论，提出了未来工作的建议。

该研究提出了一种基于视觉的传感器放置方法，通过实时2D姿势估计派生的骨架数据来确定最佳传感器位置，改进了数据匿名化，支持多模态分类方法，显著推进了人体活动识别领域。

本文比较了自监督学习和监督学习在传感器人体活动识别中的应用，发现自监督学习表示更加鲁棒，但监督模型学习到的特征更加均匀且更好地编码了活动的性质。

PressureTransferNet是一种新方法，用于使用地面压力信息进行人体活动识别。该方法通过生成特定活动的地面压力图，将人体属性转移到地面压力图上。实验证明了该方法在不同场景下的有效性。

该研究发现基于骨骼的人体活动识别方法易受对抗性攻击。研究人员提出了一种新的攻击方法，称为骨骼-运动信息梯度，可以对现有分类器构成真正的威胁，并提升了对抗样本的转移性和感知性。