本研究探讨了视觉触觉传感器与IMU数据手套在15种人类活动识别中的表现，提出了结合触觉与运动数据的多模态框架，结果表明多模态方法的准确性优于单一模态，显示了其在合作机器人中的应用潜力。

本研究提出RadMamba模型，旨在提高基于雷达的人类活动识别（HAR）的效率。该模型在多个数据集上表现出与顶尖模型相当的准确性，同时显著减少了参数数量，显示出在轻量级HAR应用中的潜力。

本研究提出了一种基于RGB事件传感器的人类活动识别方法，解决了传统RGB相机在低光照和快速移动情况下的性能问题。新开发的HARDVS 2.0基准数据集包含300类真实世界动作，结合RGB和事件相机，采用多模态热传导模型，展现出优越的有效性和鲁棒性。

本研究提出了一种多头自适应图卷积网络，用于低光照环境下的稀疏点云人类活动识别。该方法通过动态调整卷积核，提高了识别的准确性和效率，实验结果在基准数据集上表现优异，具有实用价值。

本研究提出了一种基于物理知识的多任务预训练框架（PIM），旨在提高基于惯性传感器的人类活动识别准确性。通过自监督学习利用人体运动的物理特征，实验结果表明该方法在多个数据集上优于现有技术，尤其在少量标签样本中表现出显著的性能提升潜力。

本研究提出了一种针对智能家居环境的可解释图神经网络（GNN），解决了人类活动识别的可解释性问题，提高了识别率，并展示了在医疗保健领域的应用潜力。

本研究评估了人类活动识别中的模型性能，比较了经典机器学习、深度学习和限制玻尔兹曼机，结果显示卷积神经网络在复杂数据集上表现最佳，为模型选择提供了指导。

本研究分析了机器学习在人类活动识别中的应用，指出当前研究忽视负样本细节。通过对六个基准数据集的深入检查，发现现有方法在分类某些数据片段时存在问题，揭示了注释模糊和记录不规则等核心问题，并为未来的数据收集提供了改进建议。

本研究探讨了生成对抗网络（GANs）在合成手势数据生成中的应用，以解决人类活动识别（HAR）领域的数据稀缺问题。结果表明，合成数据在医疗健康领域表现良好，能够有效替代真实数据，提升手势识别模型的泛化能力。

本研究提出了一种新方法，通过将上下文中的过程信息与机器学习模型生成的概率事件对齐，显著提升了人类活动识别的准确性和宏观F1分数，展现出较大的应用潜力。

研究人员提出了一种新的攻击方法，可以识别基于骨骼的人类活动识别（HAR）系统。他们通过平滑损失函数景观提高攻击的可转移性，并提出了后期训练的双贝叶斯策略。实验评估表明，该方法在不同数据集上的传递成功率较高，为未来的HAR系统攻击和防御提供了启示。

该研究提出了一种新的框架来解决人类活动识别中可解释人工智能的问题。该框架采用竞争性数据增强，提高了解释性和效果，同时保持了性能。这种框架能够提供直观且易于理解的模型决策解释，显著提升了HAR系统的可解释性。

该论文提出了一种基于音频和视频两种模态的混合融合深度学习方法，用于提高公共场所的人类活动识别和暴力检测的准确性。该方法在验证数据上达到96.67％的准确率，成功检测出52个视频，可应用于人体动作识别和暴力检测。

本文提出了一种基于自监督技术的特征学习方法，适用于无标签的传感器数据。该方法可用于人类活动识别等领域，通过转化识别任务提供监督信号，提取有价值的特征。在智能手机环境下的无人监督、半监督和迁移学习情况下，性能与完全监督网络相当甚至更好。该技术可广泛应用于其他领域。

本研究使用多种感知模型进行人类活动识别，包括手势跟踪、面部识别和身体姿势识别。通过综合不同的感知模态和多个位置，能够统一感知和理解复杂情况。研究使用了可穿戴设备和机器学习算法，并在实时环境中进行了测试。

本文提出了一种基于自监督技术的特征学习方法，应用于无形标签的传感器数据。该方法可用于人类活动识别等领域，通过转化识别任务提供监督信号提取有价值的特征，并在智能手机环境下的无人监督、半监督和迁移学习的情况下实现了与完全监督网络相当甚至更好的性能。该技术可广泛应用于其他领域。

该文介绍了一种基于自监督技术的特征学习方法，适用于无标签传感器数据的人类活动识别。该方法在智能手机环境下表现良好，可被广泛应用于其他领域。