REFIT：无标签识别、修正与检验可穿戴传感器佩戴位置偏移

基于摘要分析。REFIT 针对可穿戴惯性传感器在部署时佩戴方式与训练时不同、导致活动识别模型性能下降的问题，提出无需标签或重新训练的输入校准方法。其贡献是将偏移识别、输入修正和修正后的无标签效果检验串联起来，并保持活动识别模型冻结。 机制上，REFIT 将换腕、重新佩戴时方向改变等偏移描述为反射、旋转等轴变换族；在用户数据上拟合各变换族，使简单统计量与训练数据相匹配，再以消除统计不匹配最多的变换族识别偏移类型。修正时，在冻结模型前应用该族中的最佳变换，并重新估计归一化统计量。随后使用无标签准确率估计检验修正效果，估计较低时提示用户重新佩戴传感器。摘要未说明统计量、拟合目标及准确率估计器的具体定义。 作者报告，在真实左右侧传感器配对以及真实和模拟的重新佩戴实验中，REFIT 在所评估的每个数据集上均优于无标签测试时自适应方法，并恢复了重新佩戴造成的大部分准确率损失；对注入偏移的识别也比基于置信度的选择器更可靠。作者还报告，在对轴的所有带符号置换进行修正后，其无标签估计能够区分成功与失败的修正。数据集名称、被试数量、划分方式、基线配置、具体数值、消融及统计信息尚未验证，不能据此判断跨被试或跨会话泛化效果。 平台推测（待验证）：这一机制对 EEG 电极位置变化的启发在于先校准输入、再检验校准是否有效，但惯性传感器的轴变换不能直接等同于 EEG 通道或头皮空间变换。迁移假设依赖可识别的空间映射及可用的参考统计量；可复用的是候选变换选择与失败检测流程，需改造的是空间变换模型和统计匹配目标。低信噪比、跨被试差异、通道缺失及小样本可能使统计匹配偏向错误映射。可先在固定 EEG 模型与独立测试数据上注入已知通道置换，比较校准前后 Accuracy，并核对无标签估计能否识别失败修正；这只能检验受控置换，不能替代真实电极移位验证。相关 EEG 工作尚未检索确认。