面向单 IMU 传感器混合现实人体活动识别的解耦表征学习

基于摘要分析。研究针对真实场景中标注样本与传感器数量有限的人体活动识别（HAR），提出结合合成数据与多层域适应的深度学习方法，目标是仅用单个惯性测量单元（IMU）实现准确、稳健的活动识别。主要研究对象是惯性传感数据，而非 EEG 或 BCI。 方法包含两个部分：首先，基于 skinned multiperson linear（SMPL）模型，通过正向运动学生成加速度与角速度测量，构建大规模合成 HAR 数据集；其次，采用多层域适应学习，同时对齐虚拟数据与真实数据的低层、高层表征分布。作者提出以互信息约束促进多模态传感数据的解耦表征学习，但摘要未说明具体解耦因素、互信息估计方法、损失形式及各项约束的作用方式，尚不能判断其如何区分活动相关信息与域相关信息。 作者报告，在三个公开数据集上的实验中，该方法相较竞争方法表现有利，并在标注样本数量变化时保持稳健表现。摘要未提供数据集名称、数据划分、被试内或跨被试协议、基线名称、指标及具体数值；实验协议、消融及统计信息尚未验证，不能据此推断其跨被试泛化能力。 平台推测（待验证）：可迁移的候选机制是合成—真实数据的多层表征对齐及互信息约束，而非 SMPL 数据生成流程本身。若用于 EEG，需另行建立可信的合成或增强数据来源，并改造输入表征与解耦目标；IMU 的运动学结构和加速度／角速度模态对应关系不能直接套用。EEG 的低信噪比、被试差异、通道差异及小样本互信息估计不稳定，均可能使对齐损害任务信息。一个可证伪的小实验是在固定跨被试 EEG 划分与目标域标注预算下，对比相同骨干的无对齐、仅多层对齐及加入互信息约束版本，检验增益是否稳定并排查负迁移。已有 EEG 相关工作尚未检索确认。