HeartbeatCam: Self-Triggered Photo Elicitation of Stress Events Using Wearable Sensing
University of Washington（华盛顿大学）；Supportiv Inc.（Supportiv公司）
HeartbeatCam利用可穿戴设备捕捉压力时刻，通过智能手表信号触发AR眼镜拍摄稀疏影像音频，帮助心理医生协作解读压力诱因。
2026-04-27 cs.HC
Supporting Management of Gestational Diabetes with Comprehensive Self-Tracking: Mixed-Method Study of Wearable Sensors
本研究通过混合方法探索GDM女性使用连续血糖监测和多种活动传感器的自我追踪体验，发现血糖与活动数据分离、缺少轻度活动追踪等问题，提出需开发整合血糖、营养和活动数据的单一传感器应用以支持自我发现。
2023-09-14 cs.HC
A Systematic Evaluation of Self-Supervised Learning for Label-Efficient Sleep Staging with Wearable EEG
Bitbrain；DIIS - I3A, Universidad de Zaragoza（DIIS - I3A，阿拉瓦大学）
本文首次系统评估了使用可穿戴EEG进行睡眠分期的自监督学习方法，证明其在减少标注依赖的同时能提升分类性能，达到临床级准确率。
2026-03-11 cs.AI cs.HC cs.LG
Reducing Label Dependency in Human Activity Recognition with Wearables: From Supervised Learning to Novel Weakly Self-Supervised Approaches
The University of Texas at Arlington（德克萨斯理工大学）
本文提出了一种新型弱自监督学习框架，通过减少标注依赖性提升可穿戴设备人体活动识别的性能和效率。
2025-12-15 cs.HC cs.LG
Deep ConvLSTM with self-attention for human activity decoding using wearables
Nanyang Technological University（南洋理工大学）；Galgotias College of Engineering and Technology（加尔各答工程技术学院）
从可穿戴传感器准确解码人类活动可以帮助与医疗保健和环境感知相关的应用。在这个领域中，目前的方法使用递归和/或卷积模型来从来自多个传感器的时间序列数据中捕获时空特征。我们提出了一种深度神经网络架构，不仅可以捕获多个传感器时间序列数据的时空特征，还可以通过利用自我注意力机制来选择和学习重要的时间点。我们在六个公共数据集上展示了所提出的方法在不同数据采样策略中的有效性，并证明了自我注意力机制在使用递归和卷积网络的深度网络上的性能有了显着的提高。我们还表明，所提出的方法提供了一个统计上显着的性能增强比以前的国家的最先进的方法测试数据集。所提出的方法为更好地从多个身体传感器解码人类活动开辟了途径。所提出的模型的代码实现可在https://github.com/isukrit/encodingHumanActivity上获得。
2020-12-18 cs.HC cs.LG eess.SP
Momentary Stressor Logging and Reflective Visualizations: Implications for Stress Management with Wearables
本研究利用可穿戴设备的生理压力检测能力，开发配套应用与云服务开展100天实地研究，通过瞬时压力源记录与每周反思可视化，帮助用户提升压力认知并改变行为，有效降低了压力强度与频率。
2024-01-29 cs.HC
HiMe: Real-Time Self-Hosted Personal Agent Platform for Health Insights with Wearable Devices
King’s College London（伦敦国王学院）；The Alan Turing Institute（艾伦·图灵研究所）
针对传统可穿戴健康信号分析的局限，HiMe提出本地可部署、隐私至上的代理平台，遵循数据库为一等组件等原则，能与多种可穿戴设备实时健康数据生态系统兼容，实现个人持续、个性化健康监测以提升幸福感。
2026-07-24 cs.AI cs.CL cs.HC
Comparing Self-Supervised Learning Techniques for Wearable Human Activity Recognition
本文探索在有限标注数据下用于人类活动识别的自监督学习方法，比较了对比、生成和预测三种SSL技术及CNN与transformer架构，发现MAE方法显著优于SimCLR等先进方法。
2024-04-08 cs.HC eess.SP
Transformer-based Self-supervised Multimodal Representation Learning for Wearable Emotion Recognition
Univ. Lille（里尔大学）；CNRS（法国国家科学研究中心）；Centrale Lille（里尔中央理工学院）；Institut Mines-Télécom（法国国立高等矿业电信学校联盟）；IMT Nord Europe（法国国立高等矿业电信学校联盟北欧分校）；INSERM（法国国家健康与医学研究院）；University of Lille（里尔大学）
针对可穿戴情感识别中多模态数据融合与标注数据有限导致过拟合的问题，提出一种基于Transformer的自监督学习框架，通过模态特定编码器与共享编码器实现高效多模态融合，并在下游情感分类任务中取得最优性能。
2023-03-29 cs.AI cs.HC cs.SD
AI-Driven Urge Regulation Assistant (AURA): Designing Preemptive Smart Wearables for Smoking Cessation
National University of Singapore（新加坡国立大学）
针对现有可穿戴戒烟系统反应滞后的问题，基于线索反应理论和自我决定理论，通过定性研究提出AURA智能手表-智能手机生态系统，实现主动渴望检测与干预。
2026-10-08 cs.HC
Ride, Track, and Recover: Pilot Randomized Trial of a Wearable Digital Self-Management Intervention During a Veteran Endurance-Cycling Program
Department of Industrial and Systems Engineering, Texas A&M University（工业与系统工程系，德克萨斯A&M大学）；Texas A&M Health Telehealth Institute（德克萨斯A&M健康远程医疗研究所）
本研究通过随机试验，评估可穿戴数字自我管理干预对退伍军人创伤后应激障碍（PTSD）高唤醒症状的稳定效果，发现干预组症状改善更持久，且机器学习检测精度与症状严重程度正相关。
2026-06-12 cs.HC cs.LG
Consistency Based Weakly Self-Supervised Learning for Human Activity Recognition with Wearables
University of Texas at Arlington（德克萨斯大学阿灵顿分校）
针对可穿戴人体活动识别中数据无标签、监督方法依赖标签的问题，提出含嵌入学习和小样本微调两阶段的弱自监督方法，在三个基准数据集上实现了与纯监督方法相当的聚类性能。
2024-07-29 cs.AI cs.HC cs.LG
TILES-2018 Sleep Benchmark Dataset: A Longitudinal Wearable Sleep Data Set of Hospital Workers for Modeling and Understanding Sleep Behaviors
本文发布包含139名医院员工10周超过6000条睡眠记录的TILES-2018睡眠基准数据集，并结合既有数据开展睡眠模式分析和睡眠阶段分类、睡眠质量预测等机器学习基准测试。
2025-07-04 cs.HC
A Natural Language Query Interface for Searching Personal Information on Smartwatches
Dartmouth College（达特茅斯学院）；Liverpool John Moore University（利物浦约翰摩尔斯大学）；Vienna University of Technology（维也纳工业大学）；University of Vienna（维也纳大学）；University of California, Riverside（加州大学河滨分校）
目前，个人助理系统在智能手机上运行并使用自然语言界面。然而，这些系统主要依赖于网络来查找信息。移动和可穿戴设备可以收集大量的个人数据，如睡眠和身体活动。这些信息客体及其应用被称为量化自我、移动健康或个人信息学，它们可以用来更深入地了解我们的行为。据我们所知，现有的个人助理系统不支持所有类型的量化自我查询。针对这一点，我们进行了一项用户研究，以分析一组“文本问题/查询”，用户使用这些问题/查询来搜索他们的量化自我或移动健康数据。通过对这些问题的分析，我们构建了一个轻量级的基于自然语言的查询接口，包括文本解析算法和用户界面，用于处理用户对量化自我信息的查询。该查询接口被设计为在小型设备（即智能手表）上操作，以及通过允许个人助理系统处理终端用户关于其量化的自身数据的自然语言查询来增强个人助理系统。
2016-11-22 cs.CL cs.HC cs.IR
3DTouch: A wearable 3D input device with an optical sensor and a 9-DOF inertial measurement unit
我们提出了3DTouch，一种新型的3D可穿戴输入设备戴在指尖上的3D操作任务。3DTouch旨在填补3D输入设备的空白，该设备是独立的，移动的，并且可以在各种3D平台上通用。本文提出了一种低成本的解决方案，设计和实现这样的设备。我们的方法依赖于使用光学激光传感器和9自由度惯性测量单元的相对定位技术。3DTouch是独立的，旨在通用于各种3D平台。该设备采用触摸输入，以获得被动触觉反馈和运动稳定性的益处。另一方面，通过触摸交互，3DTouch在概念上比3D空间输入设备更不容易疲劳。我们提出了一套三维交互技术，包括选择，平移和旋转使用3DTouch。一项评估还表明，该设备的跟踪精度为1.10毫米和2.33度的微妙触摸互动在3D空间。像3DTouch这样的模块化解决方案为交互技术的进一步发展开辟了一个全新的设计空间。
2015-07-17 cs.HC cs.MM
Exploring Heart Rate Variability and Heart Rate Dynamics Using Wearables Before, During, and After Speech Activity: Insights from a Controlled Study in a Low-Middle-Income Country
本研究利用可穿戴设备分析言语活动前后的心率及变异性，发现SAD参与者在不同阶段表现出显著的生理特征差异，为开发基于生理的SAD监测系统提供依据。
2025-11-29 cs.HC
Evaluating Mental Stress Among College Students Using Heart Rate and Hand Acceleration Data Collected from Wearable Sensors
本研究基于54名大学生40天可穿戴设备心率与手部加速度数据，构建机器学习压力识别模型，其中XGBoost表现最佳，AUC为0.64、准确率84.5%，并识别出手部加速度标准差等关键特征。
2023-09-20 cs.HC eess.SP
A Matter of Annotation: An Empirical Study on In Situ and Self-Recall Activity Annotations from Wearable Sensors
University of Siegen（锡根大学）；Ubiquitous Computing（普适计算）；Siegen（锡根）
该研究针对可穿戴传感器活动检测，对比了四种活动标注方法，发现原位标注精度更高，结合活动日志与可视化工具可提升标注质量与模型F1值，并讨论了方法优劣与偏差影响。
2024-07-11 cs.HC cs.LG
Towards Automated Fatigue Assessment using Wearable Sensing and Mixed-Effects Models
疲劳是一个广泛的、多因素的概念，包括身体和精神能量水平降低的主观感觉。它也是强烈影响患者健康相关生活质量的关键因素之一。迄今为止，大多数疲劳评估方法是基于自我报告，这可能会受到许多因素，如回忆偏差。为了解决这个问题，在这项工作中，我们记录了自由生活环境中的多模态生理数据（包括ECG，加速度计，皮肤温度和呼吸频率，以及年龄，BMI等人口统计信息），并开发了自动疲劳评估模型。具体来说，我们从每种模态中提取特征，并采用基于随机森林的混合效应模型，该模型可以利用人口统计信息来提高性能。我们在收集的数据集上进行了实验，取得了非常有希望的初步结果。结果表明，心电图在疲劳评估任务中起着重要作用。
2021-08-09 cs.HC
Moonwalk: Advancing Gait-Based User Recognition on Wearable Devices with Metric Learning
提出Moonwalk方法，利用耳机内置加速度计进行步态识别，通过自监督度量学习实现高精度被动用户认证，在50人研究中F1达92.9%。
2024-02-13 cs.HC
CosinorAge: Unified Python and Web Platform for Biological Age Estimation from Wearable- and Smartwatch-Based Activity Rhythms
本研究推出开源框架CosinorAge，可基于可穿戴设备的活动、睡眠等节律数据估算生物年龄，提供Python工具包与网页计算器，依托大规模数据集开放权重，推动可复现的个性化衰老健康监测。
2025-09-01 cs.HC
Guttation Monitor: Wearable Guttation Sensor for Plant Condition Monitoring and Diagnosis
植物在生态系统中起着至关重要的作用。然而，人类很难感知植物的反应，因为生物电位和生化反应对人类是不可见的。滴注液滴含有各种化学物质，可以实时反映植物生理和环境条件。传统上，这些液滴是人工收集的，并在实验室中用昂贵的仪器进行分析。在这里，我们介绍了滴液监测器，一种现场和低成本的滴液监测技术。它由三个部分组成：1）纸基微流体芯片，可以收集滴液并对六种化学物质进行比色检测; 2）独立的太阳能相机模块，可以从芯片中捕获结果; 3）最终用户应用程序，可以解释结果。我们讨论了这项技术的设计和实施，对番茄植物进行评估，进行采访，并设想这样的技术如何在四个方面加强人与植物的关系。
2023-02-09 cs.HC
The Nudging Effect on Tracking Activity
可穿戴活动跟踪器正被广泛采用，以了解个人行为。了解行为可能有助于自我调节，如自我监控，目标设定，自我纠正等;然而，在实现可穿戴设备的一致使用和采用方面存在挑战，这阻碍了行为理解。研究表明，轻推策略可能会改变和维持人类的参与。然而，它仍然是未知的轻推可能会影响人类的穿着行为在个人层面上。我们进行了一项为期六个月的研究，在同一批参与者身上测试了几种轻推技术。我们的研究的初步结果表明，参与者表现更好时，轻推策略的应用。此外，参与者对不同的推动技术的反应也不同。未来的研究可以专注于开发一种基于个人的推动机制，以鼓励用户始终如一地佩戴他们的设备。
2022-09-01 cs.HC
CovidRhythm: A Deep Learning Model for Passive Prediction of Covid-19 using Biobehavioral Rhythms Derived from Wearable Physiological Data
Worcester Polytechnic Institute（伍斯特理工学院）
研究深度学习模型是否可以从SARS-CoV-2病毒引起的人体生理（心率）和静息活动节律（节律失调）的破坏中检测出Covid-19。我们提出了CovidRhythm，这是一种新型的具有多头自我注意力（MHSA）的门控递归单元（GRU）网络，它结合了从使用消费级智能可穿戴设备被动收集的心率和活动（步数）数据中提取的传感器和节奏特征，以预测Covid-19。从可穿戴传感器数据中提取了总共39个特征（标准差、平均值、久坐和活动发作的最小/最大/平均长度）。使用9个参数（mesor，振幅，acrophase，和每日内的变化）的生物行为节律进行建模。然后将这些特征输入CovidRhythm，用于预测处于潜伏期（生物症状出现前一天）的Covid-19。传感器和生物行为节律特征的组合实现了0.79的最高AUC-ROC [灵敏度= 0.69，特异性=0.89，F $_{0.1}$ = 0.76]，在使用24小时历史可穿戴生理学来区分Covid阳性患者与健康对照方面优于先前的方法。当单独使用或与探头功能结合使用时，节律功能最能预测Covid-19感染。传感器特征最能预测健康受试者。结合24小时活动和睡眠信息的昼夜休息-活动节律被破坏得最厉害。CovidRhythm证明，来自消费级可穿戴数据的生物行为节律可以促进及时的Covid-19检测。据我们所知，我们的工作是第一个使用深度学习和来自消费级可穿戴数据…
2023-01-12 cs.HC cs.LG eess.SP
Circadian Rhythms are Not Captured Equal: Exploring Circadian Metrics Extracted by Different Computational Methods from Smartphone Accelerometer and GPS Sensors in Daily Life Tracking
昼夜节律是人类日常生活中表现出的自然生物周期。规律和稳定的节奏被发现与良好的身心健康相关。随着移动和可穿戴技术的广泛采用，许多类型的传感器数据（诸如GPS和体动记录）为研究人员客观地量化用户的昼夜节律并进一步使用这些昼夜节律的量化度量来推断用户的健康状态提供了证据。计算机科学和心理学的研究人员已经在生态有效的人类感知研究中使用各种移动和可穿戴传感器研究了昼夜节律，但是问题仍然存在，当同时用于监视用户时，不同的数据类型是否以及如何产生不同的昼夜节律结果。我们假设不同的传感器数据揭示了用户日常行为的不同方面，从而产生不同的昼夜节律模式。在本文中，我们专注于两个数据类型：GPS和加速度计数据从智能手机。我们使用了来自225名大学生参与者的智能手机数据，并应用了四种昼夜节律表征方法。我们在传感器之间发现的节奏模式中发现了显著而有趣的差异，这表明从不同的个人跟踪传感器发现的昼夜节律对设备使用和日常行为方面具有不同的敏感度。
2021-07-08 cs.HC
Towards Wearable Opportunistic Crowdsensing for Open-Vocabulary Activity Data Collection Through User-Scheduled Trigger-Action Routines
Tsinghua University（清华大学）；Renmin University of China（中国人民大学）；University of Toronto（多伦多大学）；Beijing National Research Center for Information Science and Technology (BNRist)（北京信息科学与技术国家研究中心）；Qinghai University（青海大学）
研究针对日常可穿戴活动数据采集的标注难题，提出机会人群感知系统Pebbl，通过触发-动作例程实现原位标注，实验验证其低负担、高可靠性，为用户贡献活动数据采集提供新途径。
2026-08-05 cs.HC
EgoLog: Ego-Centric Fine-Grained Daily Log with Ubiquitous Wearables
The Chinese University of Hong Kong（香港中文大学）
EgoLog通过融合音频与IMU数据及LLM推理，实现了基于普及式可穿戴设备的细粒度日常日志识别，提升了场景和活动识别的准确性。
2026-01-06 cs.HC
Stress Detection from Multimodal Wearable Sensor Data
针对可穿戴压力检测领域公开数据集和标准化协议不足的问题，本文提出一个多模态标准化数据收集框架，构建了包含四种情感活动状态的公开多模态数据集，并提供了二分类89%和多分类82%准确率的压力检测基准。
2025-08-14 cs.HC
Independence in the Home: A Wearable Interface for a Person with Quadriplegia to Teleoperate a Mobile Manipulator
Carnegie Mellon University（卡内基梅隆大学）；Tsinghua University（清华大学）；Hello Robot Inc.（Hello Robot 公司）
本研究提出并迭代了可穿戴头戴式接口HAT，用于四肢瘫痪患者远程操作移动机械臂，结合共享控制方法，7天家庭实验证明其在效率、错误率、学习曲线和工作负荷等指标上表现优异。
2024-01-02 cs.HC cs.RO
HAT: Head-Worn Assistive Teleoperation of Mobile Manipulators
Carnegie Mellon University（卡内基梅隆大学）
家庭中的移动机械手可以为患有严重运动障碍的个人提供更多的自主性，这些人在没有护理人员的帮助下通常无法完成日常生活活动（ADL）。辅助移动机械手的遥操作可以使运动障碍的个体能够独立地执行自我护理和家务任务，但有限的运动功能可能会阻碍一个人与机器人交互的能力。在这项工作中，我们提出了一个独特的基于惯性的可穿戴辅助接口，嵌入在一个熟悉的头戴式服装，为个人与严重的运动障碍，远程操作和执行物理任务的移动机械手。我们评估这个可穿戴接口与健全的（N = 16）和运动障碍的个人（N = 2）进行日常生活能力和日常家务。我们的研究结果表明，可穿戴接口使参与者完成物理任务的低出错率，高感知易用性，低工作量的措施。总的来说，这种基于惯性的可穿戴设备作为一种新的辅助接口选项，用于控制家庭中的移动机械手。
2023-02-12 cs.HC cs.RO
Assessing Fatigue with Multimodal Wearable Sensors and Machine Learning
疲劳是由于睡眠不足、长时间工作、压力和体力消耗等生理因素导致的认知或身体表现的损失。它对人体产生不利影响，可以减缓反应时间，降低注意力，并限制短期记忆。因此，需要监测人的状态以避免可能导致生理并发症的极端疲劳状况。然而，了解和评估疲劳的工具很少。本文主要关注建立一个实验装置，通过多个认知和身体任务，同时记录生理数据，诱导认知疲劳（CF）和身体疲劳（PF）。首先，我们构建了一个原型传感器套装，其中嵌入了许多生理传感器，以便在数据汇集期间使用。其次，在每次任务后报告参与者自我报告的视觉模拟评分（VAS）以确认疲劳诱导。最后，建立了一个评估系统，利用机器学习（ML）模型，从传感器数据中检测CF和PF的状态，从而提供了一个客观的措施。我们的方法击败了最先进的方法，其中随机森林在检测PF方面表现最好，准确率为80.5%，同时正确预测真实PF条件88%。另一方面，长短期记忆（LSTM）递归神经网络在检测受试者的CF方面产生了最好的结果（准确率为84.1%，召回率为0.9）。
2022-10-25 cs.HC
Real-Time Stress Monitoring, Detection, and Management in College Students: A Wearable Technology and Machine-Learning Approach
Texas A&M University（德克萨斯A&M大学）；University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
本研究通过12周随机对照试验评估整合智能手表与机器学习的mHELP干预，发现其能显著减少大学生客观压力指标，但对主观焦虑、抑郁评分无显著组间差异，仅焦虑和压力评分有临床意义下降。
2025-05-27 cs.HC cs.LG
A Model for Using Physiological Conditions for Proactive Tourist Recommendations
Technical University of Munich（慕尼黑工业大学）
移动主动式旅游推荐系统可以根据与游客自身和环境相关的不同情境，为游客推荐最佳选择。在本文中，我们建议利用可穿戴传感器来收集有关游客的健康信息，并使用它们来推荐旅游活动。我们讨论了一系列的可穿戴设备，传感器来推断用户的生理状况，并使用一个流行的自量化移动应用程序的可行性，我们的主要贡献，然后包括一个数据模型来推导可穿戴传感器测量的参数之间的关系，如心率，体温，血压，并使用它们来推断用户的生理状况。然后，该模型可以用于导出旅游活动的类别，以确定应推荐哪些项目。
2019-04-10 cs.HC cs.IR cs.LG
Decomposing and Fusing Intra- and Inter-Sensor Spatio-Temporal Signal for Multi-Sensor Wearable Human Activity Recognition
School of Big Data and Software Engineering, Chongqing University（重庆大学大数据与软件学院）；Center for Data Science, Peking University（北京大学数据科学中心）；School of Mathematical Sciences, Peking University（北京大学数学科学学院）；School of Computer Science and Engineering, Beihang University（北京航空航天大学计算机科学与工程学院）
针对多传感器可穿戴活动识别中现有方法难以捕获传感器内与传感器间时空关系的问题，提出DecomposeWHAR模型，通过分解与融合阶段结合深度可分离卷积、状态空间模型和自注意力机制，在三个数据集上显著优于现有模型。
2025-04-25 cs.AI cs.CV cs.HC
Before You Scroll Again: Predicting Regretful Social Media Sessions from In-the-Wild Contextual and Wearable Sensing
MIT Media Lab（麻省理工学院媒体实验室）；Hasso Plattner Institute（哈索·普拉特纳研究所）
通过野外经验采样研究，发现意图与实际使用差距比时长更能预测后悔，并基于上下文和生理信号提出两阶段干预架构。
2026-06-08 cs.HC
A Foundation Model for Wearable Movement Data in Mental Health Research
Dartmouth College（达特茅斯学院）；National Institute of Diabetes and Digestive and Kidney Diseases（国家糖尿病、消化系统疾病和肾病研究所）；National Institutes of Health（美国国立卫生研究院）；Department of Computer Science at Dartmouth College（达特茅斯学院计算机科学系）
提出预训练体动记录Transformer（PAT），一种基于自监督掩码自编码器预训练的可穿戴运动时间序列基础模型，在心理健康预测任务上优于非基础模型方法，并提供可解释的注意力图。
2026-05-30 cs.AI cs.HC cs.LG
Vector Autoregression (VAR) of Longitudinal Sleep and Self-report Mood Data
本研究基于Oura Ring采集的四年睡眠数据与iOS端eMood Tracker记录的情绪数据，通过VAR(2)模型和格兰杰因果检验，发现睡眠质量得分是抑郁、焦虑情绪出现的格兰杰原因。
2025-10-02 cs.HC
ADARP: A Multi Modal Dataset for Stress and Alcohol Relapse Quantification in Real Life Setting
从可穿戴传感器数据中进行压力检测和分类是一个新兴的研究领域，对个人的身心健康具有重要意义。在这项工作中，我们引入了一个新的数据集，ADARP，其中包含生理数据和自我报告的结果收集在现实世界的门诊设置涉及个人诊断为酒精使用障碍。我们描述了用户研究，介绍了数据集的详细信息，建立了生理数据和自我报告结果之间的显著相关性，展示了压力分类，并公开了我们的数据集以促进研究。
2022-06-14 cs.HC eess.SP
Investigating the Reliability of Self-report Data in the Wild: The Quest for Ground Truth
推断人的精神状态（例如，情感、抑郁、参与）与感测技术的交互是情感计算领域中最有价值的挑战之一，其在与人类交互的所有行业中具有深远的影响。自我报告调查是量化人们思考方式的最常用方法，但容易产生主观性和各种反应偏差。它通常被用作人类心理状态预测的真值。近年来，许多数据驱动的机器学习模型都是基于自我报告注释作为目标值来构建的。在本研究中，我们通过研究回答的置信水平和调查完成时间来研究野外自我报告调查的可靠性。我们进行案例研究（即，学生参与推断）通过在4周的时间内在高中环境中招募23名学生来进行。我们的参与者自愿提供了488份自我报告的回答和来自可穿戴传感器的数据。我们还发现，生理测量的学生参与和感知的学生参与并不总是一致的。这项研究的发现有很大的潜力，有利于未来的研究在预测参与，抑郁，压力和其他情感相关的状态在情感计算和传感技术领域。
2021-11-30 cs.HC
SelfAct: Personalized Activity Recognition based on Self-Supervised and Active Learning
University of Milan（米兰大学）
SelfAct 框架结合自监督预训练与无监督主动学习，利用大规模无标注数据学习传感器表示，使新用户仅需少量主动学习查询即可实现接近甚至优于全监督方法的个性化活动识别。
2023-04-19 cs.AI cs.HC cs.LG
