超越运动基元：基于头戴式 IMU 的行为活动识别

基于摘要分析。研究面向 AR 智能眼镜的持续行为感知，尝试让头戴式 Inertial Measurement Unit（IMU，惯性测量单元）从识别行走、站立等运动基元，扩展到更高层次的行为活动识别。作者构建了基于 Ego4D 的数据集，提出层次化模型 HiT-HAR，并分析不同类别能否从头部运动信号中被可靠区分。 任务与数据：作者定义五类行为，兼顾 AR 应用需求与传感器可观测性；构建包含 160K 样本、覆盖八种活动场景的 Ego4D 数据集，并采用四级质量保障框架。摘要未说明样本的时间单位、窗口长度、标注流程或数据划分，四级质量保障的具体实施尚未验证。 方法与结果：HiT-HAR 包含 703K 参数。作者报告，在五类动作识别与八类场景识别任务上，该模型优于既有头戴式 IMU 模型，并认为利用时间上下文和场景结构的架构选择优于单纯扩大模型规模。摘要未给出具体评价指标、性能数值、对照模型或划分协议，因此无法判断优势幅度及其泛化范围；层次结构、训练目标、推理流程、消融及统计信息尚未验证。 可观测性分析：作者报告，Locomotion 可被较可靠地观测，Object Transfer 与 Task Operation 受益于时间上下文，而部分行为仍存在依赖场景的信号重叠。这提示评估时需区分模型建模能力与传感器本身的信息边界，并核对场景变化是否影响类别可分性。研究对象是头戴式 IMU 行为识别，并非 EEG 解码或 BCI；这些结果不能直接视为神经信号任务上的有效性证据。复现仍需确认数据构建规则、划分方式、模型实现及对照设置。