SoK: Behind the Accuracy of Complex Human Activity Recognition Using Deep Learning

人类活动识别（HAR）是一个经过深入研究的领域，其研究可以追溯到上世纪80年代。随着时间的推移，HAR技术已经从手动特征提取、基于规则的算法和简单的机器学习模型发展到强大的深度学习模型，从单一传感器类型发展到多种感知模式。范围也从识别一组有限的活动扩展到包括更多简单和复杂的活动。然而，仍然存在许多挑战，阻碍了使用现代深度学习方法进行复杂活动识别的进展。在本文中，我们全面系统地梳理了导致复杂HAR不准确的因素，例如数据多样性和模型容量。在众多传感器类型中，我们更加关注可穿戴设备和摄像头，因为它们的普及率较高。通过这篇知识系统化（SoK）论文，读者可以深入了解HAR的发展历史和现有挑战、活动的不同分类、影响准确性的基于深度学习的复杂HAR的障碍以及潜在的研究方向。

本论文旨在全面系统地总结复杂HAR中影响准确性的因素，如数据多样性和模型容量等，并提出潜在的研究方向。

本论文提出了一种综合系统化的方法，通过对现有文献进行分类和总结，深入分析了影响复杂HAR准确性的因素，并提出了解决这些问题的潜在方法。

本文详细介绍了HAR的发展历史、活动分类方法、基于深度学习的复杂HAR中的准确性问题和潜在研究方向。实验使用了多个数据集，并提供了开源代码。

在最近的相关研究中，还有一些关于HAR的文章，例如“Deep Convolutional Neural Networks for Human Activity Recognition Using Multiple Sensors”和“Sensor-Based Human Activity Recognition: A Review”。