通过生成模型内的条件空间插值进行人体活动识别数据增强

本研究面向可穿戴传感器的人体活动识别（HAR），通过条件生成模型中的条件空间插值扩充训练数据，以缓解实验室训练与真实场景部署之间的分布差异。基于摘要分析，未取得论文全文。 核心机制是利用领域知识从传感器数据提取统计量，将其作为条件引导扩散模型生成，并通过插值这些条件合成具有不同高层特征的新样本。与直接在数据空间或特征空间插值不同，该方法在生成过程的控制变量上进行插值，目标是在已有样本附近增加合理变化，提高下游 HAR 分类器的鲁棒性。摘要未明确统计量的具体定义、插值范围、类别约束、扩散模型训练目标及采样流程，相关细节尚未验证。 作者报告，在多种数据集与下游分类器组合中，条件空间插值优于所比较的传统插值增强及生成模型增强方法。摘要未提供数据集名称、划分协议、基线配置、指标或提升幅度，因此尚不能判断其对跨被试、跨会话或真实部署泛化的具体效果；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：这一机制可能用于探索 EEG 小数据条件下的受控增强，但原论文研究的是可穿戴传感器 HAR，并非 BCI。可复用的是“领域统计量作为生成条件并进行插值”的思路；需要重新定义与目标 EEG 任务相关的条件，并核对标签保持、通道结构及生理合理性。低信噪比、被试差异和小样本可能导致条件无法充分描述任务信息，或使生成模型放大伪迹。一个可检验的小实验是假设在固定跨被试划分下，仅用训练被试拟合条件提取与生成流程，比较无增强、直接插值和条件空间插值，并在未参与生成的测试被试上评估同一下游分类器。已有 EEG 相关工作尚未检索确认。