评估基于可穿戴设备的人体活动识别自监督学习研究现状

基于摘要分析。本文研究可穿戴设备人体活动识别（HAR）中，如何利用无标签数据学习表征，以应对标注训练样本有限的问题；主要贡献是建立系统性评估框架，比较已有自监督方法，而非提出新的 EEG 或 BCI 算法。 原研究采用“预训练后微调”的自监督学习范式作为分析对象，摘要列举了 Multi-task self-supervision、Masked Reconstruction、CPC 和 SimCLR 等相关方法。评估框架包含三个维度，每个维度各有三个判据，分别考察源域与目标域条件变化下的鲁棒性、数据集特性的影响，以及特征空间特性。作者报告使用该框架评估了七种 HAR 自监督方法，以分析其表征在不同场景中的性质与价值；摘要未给出完整方法名单、具体数据集、数据划分、性能指标或方法排序，因此不能据此判断哪种方法更优。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其评估思路可能有助于组织 EEG 自监督表征研究，尤其是区分预训练数据条件变化、目标任务标注量变化与表征质量之间的关系。可复用的是评估维度和“预训练后微调”的比较流程，传感器输入、预处理、增强策略与下游任务则需按 EEG 改造。该假设依赖可用的无标签时序数据及明确隔离的被试或会话划分；EEG 的低信噪比、通道差异和小样本条件可能使 HAR 中的结论失效。一个可检验的小实验是固定 EEG 编码器与微调标注预算，在明确的 Cross-subject 划分下比较自监督预训练与从头监督训练，并检查收益是否随预训练来源变化而稳定。上述仅为迁移评估建议，已有 EEG 相关工作尚未检索确认。