HARGPT: Are LLMs Zero-Shot Human Activity Recognizers?

目前有一个关于大型语言模型（LLMs）作为基础模型与物联网系统（CPS）无缝集成以解释物理世界潜力的争论。本文进行了一个案例研究，回答以下问题：LLMs是否能够进行零样本的人体活动识别（HAR）。我们的研究，HARGPT，通过展示LLMs能够理解原始IMU数据并以零样本方式执行HAR任务，仅需适当的提示就能得到肯定的答案。HARGPT将原始IMU数据输入LLMs，并利用角色扮演和逐步思考的策略进行提示。我们使用两个不同的公共数据集对HARGPT在GPT4上进行基准测试，这些数据集具有不同的类间相似性，并比较基于传统机器学习和最先进的深度分类模型的各种基线。值得注意的是，LLMs成功地从原始IMU数据中识别出人类活动，并在两个数据集上始终优于所有基线。我们的发现表明，通过有效的提示，LLMs可以基于其知识库解释原始IMU数据，具有有效分析物理世界原始传感器数据的潜力。

本论文旨在探讨大型语言模型（LLMs）是否能够进行零样本人类活动识别（HAR）的任务，并通过案例研究来验证其可行性。

本文通过将原始IMU数据输入LLMs并使用适当的提示来进行HAR任务，证明了LLMs能够有效地理解物理世界中的传感器数据。

论文使用了两个公共数据集进行评估，并与传统机器学习和深度分类模型进行了比较。实验结果表明，LLMs在HAR任务上表现出色，并具有很大的潜力来分析物理世界的原始传感器数据。

近年来，还有一些相关研究在这个领域中进行，如《Real-time Human Activity Recognition using Convolutional Neural Networks》和《Human Activity Recognition using Smartphones Dataset and Deep Learning Convolutional Neural Networks》。