Hang-Time HAR: A Benchmark Dataset for Basketball Activity Recognition using Wrist-Worn Inertial Sensors
University of Siegen(锡根大学);University of Colorado Boulder(科罗拉多大学博尔德分校)
本文提出一个用于篮球活动识别的腕戴式传感器基准数据集,涵盖多国多水平球员,并验证了两种深度学习架构的基线性能。
2024-03-18 cs.HC cs.LG
WristAuthen: A Dynamic Time Wrapping Approach for User Authentication by Hand-Interaction through Wrist-Worn Devices
使用可穿戴设备进行上下文感知计算和普适传感系统的日益增长的趋势提高了其快速可靠的认证技术的潜力。由于个人书写环境彼此不同,因此可以通过书写来实现用户认证。这是非常重要的,因为这些设备可以很容易地收集敏感信息。本文通过分析用户的交互行为,提出了一种新的用户认证系统,通过手腕穿戴设备,这是准确和有效的,为未来的使用。我们的方法的关键特征在于使用更有效的Savitzky-Golay过滤器和动态时间包装方法来获得细粒度的用户身份验证的写入度量。这些新的指标是相对独特的,从人到人,并独立于计算平台。对从50名不同性别、年龄和身高的用户中收集的腕带交互数据进行了分析。大量实验结果表明,该方法能够及时准确地识别用户,假阴性率为1.78%,假阳性率为6.7%,ROC曲线下面积为0.983 .对各种模拟攻击的鲁棒性、对训练数据的容忍度进行了额外的检查,并进行了比较,以进一步分析其适用性。
2017-10-22 cs.CR cs.HC stat.ML
CAPTURE-24: A large dataset of wrist-worn activity tracker data collected in the wild for human activity recognition
针对实验室活动数据集规模小、异质性不足、难以泛化的问题,本文发布自由生活环境下采集的CAPTURE-24多模态腕戴数据集,显著提升数据规模并支持准确的人类活动识别建模。
2024-02-29 cs.HC
Hand Dominance and Congruence for Wrist-worn Haptics using Custom Voice-Coil Actuation
Kadir Has University(卡迪尔哈桑大学)
本研究提出搭载定制音圈驱动器的新型腕戴式触觉设备CoWrHap,通过刚度辨别任务实验探究手优势与手-腕一致性对交互表现和体验的影响,验证了该设备可让用户通过腕部触觉反馈感知虚拟对象的力学特性。
2025-05-18 cs.HC cs.RO
Heterogeneous Stroke: Using Unique Vibration Cues to Improve the Wrist-Worn Spatiotemporal Tactile Display
HCI Lab, KAIST(韩国釜山科学技术院人机交互实验室)
异质性笔触通过为每个触觉器分配独特振动刺激,提高腕戴式触觉显示在不同手臂姿势下的字母数字识别精度。
2025-11-20 cs.HC cs.RO
Beyond Gestures: Estimating Full Hand Pose and Contact Forces from Wrist-Worn Pressure Sensor Array
Meta Reality Labs Research(Meta现实实验室)
本文提出一种腕戴式压力传感腕带,利用肌肉收缩和肌腱位移产生的压力模式,通过循环网络估计全手姿态与接触力,实验显示手指关节MAE为4.6度,接触力R²达0.57,可补充视觉盲区。
2026-09-16 cs.HC cs.RO
Optimised Convolutional Neural Networks for Heart Rate Estimation and Human Activity Recognition in Wrist Worn Sensing Applications
University College Cork(科克大学学院);Dublin City University(都柏林城市大学)
腕戴式智能设备通过复杂的分析提供了对人类健康、行为和表现的更多见解。然而,面对与运动相关的伪影,电池寿命、设备成本和传感器性能带来了挑战,必须进一步解决这些挑战,才能通过该技术的商品化实现有效应用和更广泛的采用。我们通过使用简单的光学测量来解决这些挑战,传统上用于腕戴式传感器中的心率检测的光电体积描记术(PPG),我们可以在低采样率下同时提供改进的心率和人体活动识别(HAR),而无需惯性测量单元。这简化了硬件设计并降低了成本和功耗预算。我们应用了两个深度学习管道,一个用于人类活动识别,一个用于心率估计。HAR是通过应用视觉分类方法实现的,能够在低采样率下实现鲁棒性能。这里,利用转移学习来重新训练卷积神经网络(CNN)以区分不同人类活动期间PPG的特性。对于心率估计,我们使用用于回归的CNN,其将噪声光学信号映射到心率估计。在这两种情况下,与领先的传统方法进行比较。我们的研究结果表明,低采样频率可以实现良好的性能,而不会显着降低精度。5Hz和10Hz的HAR分类准确率分别为80.2%和83.0%。这些相同的采样频率也产生了鲁棒的心率估计,其与在256 Hz的更能量密集的速率下实现的心率估计相当。
2020-03-30 cs.HC cs.LG eess.SP
Nightbeat: Heart Rate Estimation From a Wrist-Worn Accelerometer During Sleep
针对无光学传感器的活动追踪器缺乏心率数据的问题,研究构建了含42名患者共310小时夜间数据的Nightbeat-DB数据集,提出基于频率的曲线追踪抗运动伪影的IMU心率估算方法,MAE达0.88 bpm,较现有方法提升76%,为纵向健康研究提供新途径。
2024-11-01 cs.HC eess.SP q-bio.QM
Eating Speed Measurement Using Wrist-Worn IMU Sensors Towards Free-Living Environments
针对现有进食速度测量依赖主观自陈问卷、精度不足的问题,本研究提出结合TCN-MHA模型的咬食检测与进食片段聚类方法,在两个公开全天数据集上实现了低误差的自动化进食速度测量,验证了近自由生活场景下的应用可行性。
2024-10-05 cs.HC eess.SP
WristSonic: Enabling Fine-grained Hand-Face Interactions on Smartwatches Using Active Acoustic Sensing
提出WristSonic腕戴式主动声学感知系统,利用扬声器和麦克风捕捉超声波反射,结合Transformer网络,在低功耗且注重隐私的条件下实现了21种手脸交互动作的细粒度检测,两项用户研究宏观F1分数达93.08%和82.65%。
2024-11-12 cs.HC
Unsupervised Motion Artifact Detection in Wrist-Measured Electrodermal Activity Data
University of Toledo(托莱多大学)
腕戴式计算机的主要好处之一是它能够以最低限度的侵入方式收集各种生理数据。在这些数据中,皮肤电活动(EDA)很容易收集,并提供了一个人的情绪和交感神经反应的窗口。使用可穿戴腕带收集的EDA数据很容易受到运动伪影(MA)的影响,如果没有识别和去除,运动伪影可能会显著扭曲数据并降低对数据执行的分析的质量。先前的工作已经证明,可以使用监督机器学习算法在实验室环境中收集的小数据集上成功检测MA。在本文中,我们证明了无监督学习算法与监督算法在实验室环境和现实环境中收集的EDA数据(包括约23小时的数据)上检测MA的竞争力。我们还发现,有点令人惊讶的是,将加速度计数据以及EDA提高检测精度只有轻微的监督算法和显着降低无监督算法的准确性。
2017-07-26 cs.HC cs.LG
MDwAIstScheduler: A Low-Cost, Voice-Activated Device for Hands-Free Clinical Scheduling
Arizona State University(亚利桑那州立大学)
本文提出MDwAIstScheduler,一种低成本的语音助手,用于在患者会诊期间无手管理日历。该设备隐藏在实验服下,避免了可见屏幕或腕戴设备的视觉干扰,通过Raspberry Pi和云语音识别实现自动日历事件创建。
2026-03-17 cs.HC
CASAband: Easy-to-Wear Textile Wristband using Shape Memory Alloy Actuators for Spatial and Temporal Haptic Feedback
Korea National University of Transportation(韩国交通大学);University of California(加州大学);Ajou University(全州大学);Pohang University of Science and Technology(釜山科学技术大学)
研究旨在开发用于手腕的触觉接口。核心方法是将CASA集成到纺织腕带实现触觉反馈。贡献在于该腕带能平衡功能、可穿戴性与舒适性,完全不受束缚,经实验验证可用于现实世界指导与导航任务,是形式与功能平衡的新型触觉接口。
2026-07-20 cs.HC cs.RO
HOOV: Hand Out-Of-View Tracking for Proprioceptive Interaction using Inertial Sensing
ETH Zürich(苏黎世联邦理工学院)
针对现有VR系统仅支持视场内手部追踪、无法便捷交互屏外内容的问题,提出腕戴式惯性传感方法HOOV,通过朝向估计预测手部位置、检测捏合动作实现屏外交互,平均追踪误差7.7厘米,拓展了VR本体感觉交互的输入空间。
2023-04-30 cs.CV cs.HC
One Residual with Three Reuses: A Wristband Front End for Gesture Sensing
Stanford University(斯坦福大学)
本文设计了一款复用残差生成器的腕带前端,结合MEMS IMU与60 GHz FMCW雷达,在公开数据集上实现了手势检测、功耗降低及姿态跟踪精度提升。
2026-08-18 cs.AR cs.HC cs.LG
CaRing: Preventing Carpal Tunnel Syndrome based on Daily Activities from Always-Available Input Device
University of Washington(华盛顿大学);University of California, San Diego(加州大学圣迭戈分校);University of Southern California(南加州大学)
该研究提出佩戴于食指基部指关节的可穿戴系统CaRing,通过光流传感器检测鼠标使用起止,约90%事件可在标注两秒内被检测,助力预防腕管综合征。
2026-10-09 cs.HC
Ring-a-Pose: A Ring for Continuous Hand Pose Tracking
本文提出单一无系留戒指Ring-a-Pose,通过发射听不见的声学信号并分析反射来追踪连续3D手部姿态与微手势,在零训练数据下关节误差达14.1mm,为低功耗智能戒指手部追踪提供新方案。
2024-11-12 cs.HC
Multi-Head Cross-Attentional PPG and Motion Signal Fusion for Heart Rate Estimation
ThinGenious PC(ThinGenious个人计算机公司);University of West Attica(西阿提卡大学);University of Bologna(博洛尼亚大学)
如今,心率(HR)监测是几乎所有采用光电体积描记(PPG)传感器的腕戴式设备的关键特征。然而,手臂运动影响基于PPG的HR跟踪的性能。这个问题通常通过将PPG信号与惯性测量单元产生的数据融合来解决。因此,已经提出了深度学习算法,但它们被认为过于复杂,无法部署在可穿戴设备上,并且缺乏结果的可解释性。在这项工作中,我们提出了一种新的深度学习模型PULSE,它利用时间卷积和多头交叉注意来提高传感器融合的有效性,并实现可解释性。我们在三个公开可用的数据集上评估了PULSE的性能,在最广泛的可用数据集PPG-DaLiA上将平均绝对误差降低了7.56%。最后,我们展示了PULSE的可解释性以及将注意力模块应用于PPG和运动数据的好处。
2022-10-14 cs.HC cs.LG eess.SP
SmartPoser: Arm Pose Estimation with a Smartphone and Smartwatch Using UWB and IMU Data
Carnegie Mellon University(卡内基梅隆大学)
针对现有手臂姿态追踪方案存在隐私问题或需额外硬件的不足,提出SmartPoser方法,利用现成手机与智能手表的UWB和IMU数据,无需训练数据即可实现11.0cm中位误差的腕肘姿态估计。
2025-09-03 cs.CV cs.GR cs.HC
REFIT: Recognize, Fix, and Test Wearable Sensor Placement Shifts without Labels
University of California, Irvine(加州大学尔湾分校)
REFIT通过轴变换族拟合与无标签准确率估计,无需标签即可识别并修复可穿戴传感器放置偏移,恢复大部分准确率并优于现有方法。
2026-10-08 cs.HC cs.LG
Embedding Temporal Convolutional Networks for Energy-Efficient PPG-Based Heart Rate Monitoring
University of Bologna(博洛尼亚大学);Politecnico di Torino(都灵理工大学);ETH Zurich(苏黎世联邦理工学院)
光电体积描记(PPG)传感器允许进行非侵入性和舒适的心率(HR)监测,适用于紧凑型腕戴式设备。不幸的是,运动伪影(MA)严重影响监测精度,导致皮肤与传感器接口的高度可变性。基于将PPG信号与惯性传感器数据相结合,已经引入了几种数据融合技术来应对这个问题。在此之前,商业和重新配置的解决方案都是计算效率高的,但不是很鲁棒,或者强烈依赖于手动调整的参数,这导致泛化性能差。在这项工作中,我们通过提出一种基于PPG的HR估计的计算轻量级但强大的基于深度学习的方法来解决这些限制。具体来说,我们利用神经架构搜索(NAS)推导出一组不同的时间卷积网络(TCN)用于HR估计。此外,我们还引入了ActPPG,一种自适应算法,根据MA的量在多个HR估计器中进行选择,以提高能源效率。我们在两个基准数据集上验证了我们的方法,在PPGDalia上实现了低至3.84次/分钟(BPM)的平均绝对误差(MAE),优于以前的最先进水平。此外,我们将我们的模型部署在低功耗商用微控制器(STM32 L4)上,在复杂度与准确度空间中获得了丰富的帕累托最优解决方案。
2022-03-01 cs.HC cs.LG eess.SP
ActiveHARNet: Towards On-Device Deep Bayesian Active Learning for Human Activity Recognition
Ericsson(爱立信);University of Southern California(南加州大学);Ericsson Research(爱立信研究院)
各种医疗保健应用,如辅助生活,跌倒检测等,需要通过人类活动识别(HAR)对用户行为进行建模。由于普适计算的进步,使用基于移动和可穿戴设备的深度学习算法的HAR正在兴起。然而,还有另外两个挑战需要解决:首先,深度学习模型应该支持设备上的增量训练(模型更新)从实时传入的数据点来学习用户随时间的行为,同时也是资源友好的;第二,合适的地面实况调查技术(像主动学习)应该有助于即时建立标签,同时只选择信息量最大的数据点从Oracle查询。因此,在本文中,我们提出了ActiveHARNet,这是一种资源高效的深度集成模型,支持设备上的增量学习和推理,能够通过使用dropout的贝叶斯神经网络中的近似来表示模型不确定性。这与用于主动学习的合适的采集功能相结合。在两个公开的腕戴式HAR和跌倒检测数据集上的实证结果表明,ActiveHARNet在不同用户的推理过程中实现了相当大的效率提升,在两个数据集上进行增量学习期间,使用各种采集功能进行实验,获得的池点数量相当少(至少减少60%),从而证明了部署和增量学习的可行性。
2019-05-31 cs.HC cs.LG stat.ML
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