本实验室三年级博士生Hiroki Takenaka的研究成果已被IEEE Sensors Latters录用为学术论文。传统的利用传感器数据进行活动识别的无监督预训练涉及多个步骤，非常复杂。在本文中，我们通过实验表明，可以通过实例识别等简单的无监督学习目标来简化预训练，从而显著降低动作识别中的预训练成本。

Takenaka, K.、Sakai, S. 和 Hasegawa, T.， “IDMatchHAR：使用预训练进行基于传感器的人类活动识别的半监督学习。”， IEEE Sensors Letters ，Vol. 9，第4期，2025年4月。论文

抽象的

在基于传感器的人类活动识别 (HAR) 中，传感器数据的注释成本比图像等数据更高。可以使用半监督学习（semi-SL）来降低注释成本。该方法通过分配伪标签来利用未标记的数据集。然而，这些方法存在确认偏差的问题，由于不正确的伪标签会导致性能下降。一些方法试图通过使用标记和未标记数据进行多阶段预训练来解决这个问题，但这些方法需要大量的计算资源。我们提出了一个名为 IDMatchHAR 的框架，它在小规模数据集上通过单阶段预训练过程执行半 SL。我们在预训练期间使用实例鉴别（ID）来学习应用于各种后续半 SL 任务的稳健特征表示。我们使用卷积神经网络 (CNN)，例如 VGG 和残差网络 (ResNet)，以及 Transformers，在 HASC、WISDM 和 Pamap2 上验证了所提出框架的有效性。我们提出的框架显著降低了预训练的计算成本，同时表现出与现有半 SL 方法相当或相当的性能。