用于人体活动识别的多任务学习鲁棒特征表征

基于摘要分析。该研究针对人体活动识别（HAR）中不同活动模式相似、同一活动在不同被试间表现不同所导致的泛化问题，提出将信号重建与 HAR 分类联合学习，通过共享层提取有助于应对未见用户的表征；研究对象是活动传感器信号，并非 EEG 或 BCI。 方法以多通道非对称自编码器重建输入信号并提取无监督特征，同时考察不同激活函数对重建及活动模式保留的影响。其核心机制是让重建任务与分类任务共享特征，使表征兼顾输入结构与活动判别信息。具体网络结构、重建损失、任务权重及训练流程尚未验证。 作者报告，在 UCI-HAR、MHealth、PAMAP2、USC-HAD 以及团队在真实环境采集的高山滑雪数据集上，Accuracy 分别为 99%、99%、95%、88% 和 92%，并称相较现有方法表现稳定、泛化良好。摘要未明确这些数值对应的被试内或跨被试划分、基线配置及统计不确定性，因此不能直接据此确认未见用户条件下的优势；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可迁移假设是，重建与判别任务共享表征可能缓解 EEG 跨被试差异，但原方法依赖多通道信号及 HAR 分类监督，原领域结果不等于 BCI 有效。共享编码器与多任务框架可作为候选模块，输入适配和重建目标则需按 EEG 通道与信号特性改造。低信噪比可能使重建偏向伪迹或被试特征，通道差异与小数据也可能削弱泛化。可在同一 MI EEG 数据集的固定跨被试划分下，对比分类单任务与加入重建任务的模型，保持预处理和分类骨干一致，检验增益是否稳定。相关 EEG 工作尚未检索确认。