[Submitted on 29 Jul 2026]

View PDF HTML (experimental)

Abstract:可穿戴传感器的人体活动识别（HAR）支持医疗保健、康复、健身追踪和智能环境等应用。然而，现有的深度学习方法需要针对特定数据集进行训练、大量标注语料，并反复适应新的传感器设置或活动分类体系。检索增强生成人体活动识别（RAG-HAR）通过将 HAR 构建为无需训练的检索增强任务来解决此问题：使用传感器窗口的统计描述检索相似的标注示例，引导 LLM 进行分类。我们提出 RAG-HAR+，这是一种以检索优先且成本优化的扩展，它强化了检索，同时减少了对 LLM 推理的依赖。RAG-HAR+ 使用离线 Retrieval Designer Agent 从多样化的运动描述符池中设计特定于数据集的特征组，使得传感器窗口可使用与数据集特定活动模式更对齐的特征进行比较。在推理阶段，RAG-HAR+ 对具有强检索证据的样本使用检索邻居的多数投票，仅将不确定案例推迟至基于 LLM 的 Ambiguity Resolver Agent。在六个 HAR 基准测试中，RAG-HAR+ 保持了竞争性或改进的性能，同时减少了 LLM 使用量、token 消耗和推理时间。我们进一步扩展了 RAG-HAR 移动原型，以展示在移动感知场景中实现检索优先、LLM 辅助 HAR 的实际可行性。

Submission history

From: Hansi Karunarathna [view email]
[v1] Wed, 29 Jul 2026 08:57:03 UTC (1,275 KB)