基于多任务深度聚类的无监督人体活动表征学习

基于摘要分析。本文研究可穿戴与移动设备传感数据上的无监督人体活动识别（HAR），针对人工标注成本与隐私负担，提出端到端多任务深度聚类框架，将表征学习、聚类和分类联合优化；原研究对象不是 EEG 或 BCI。 方法以未标注的多维传感信号为输入，使用 CNN-BiLSTM 自编码器提取压缩潜在表征，再通过 K-means 划分样本并生成伪标签，随后以潜在特征和伪标签训练 DNN 进行活动识别。其关键机制是将三个任务整合到统一优化框架，而非仅以固定特征完成聚类；具体损失形式、伪标签更新方式及训练调度尚未验证。 作者报告，在三个公共数据集上的实验中，该方法优于浅层无监督学习方法；经过少量标注数据微调后，性能接近当时的先进监督方法。摘要未提供数据集名称、划分协议、指标、具体分数或标注预算，因此不能量化收益，也应区分纯无监督结果与使用标注微调后的结果。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可迁移假设是，压缩表征与聚类伪标签的联合学习能够减少 EEG 任务对人工标签的依赖。可复用自编码表征和伪标签训练思路，但需改造通道与时间结构编码，并核对聚类是否对应目标任务而非被试、会话或伪迹。低信噪比和小数据可能放大伪标签错误，跨被试差异也可能主导聚类。一个可证伪的小实验是在固定 EEG 任务和被试隔离划分下，以相同标注预算比较冻结自编码器后聚类与联合优化，并检查聚类与任务标签、被试身份的关联；已有 EEG 相关工作尚未检索确认。