基于 Transformer 对比学习的人体动作识别与检测传感器数据表征

基于摘要分析。该研究面向可穿戴传感器的人体活动识别（HAR），针对标注数据稀缺且获取成本较高的问题，提出结合 Transformer 与 Contrastive Predictive Coding（CPC）的自监督表征学习方法，利用无标签数据改善传感器特征。 核心机制建立在作者的假设之上：人体活动中的可穿戴传感器数据具有长期与短期时序上下文相关性，Transformer 与 CPC 框架可用于利用这些相关性。摘要未说明两者的具体组合、预测目标、正负样本构造、时间窗口或训练与推理流程，相关实现尚未验证。 作者报告，在 MotionSense 和 MobiAct 的 HAR 任务上，该方法优于此前的最先进方法，并在 EVARS 的动作检测任务上取得较好表现。摘要未提供具体指标、数值、对照方法或数据划分，因此无法量化优势，也不能确定是否涉及跨被试或跨会话评估。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务中存在与目标相关、且可跨时间窗口预测的上下文结构，这类无标签时序表征学习可能有助于缓解标注不足。可考虑复用 Transformer 与 CPC 的总体思路，但需针对 EEG 的采样尺度、通道组织及正负样本定义进行改造；低信噪比、伪迹、被试差异和小数据可能使模型学习到与任务无关的规律。一个可检验的假设是：仅用训练被试的无标签 EEG 预训练，在固定标注量及相同跨被试划分下，与同一编码器随机初始化相比，是否能改善预先指定的任务指标。该建议并非原论文结果，已有 EEG 相关工作尚未检索确认。