[Submitted on 29 Jul 2026]

View PDF HTML (experimental)

Abstract:可穿戴感測器的人類活動辨識 (HAR) 支援醫療保健、復健、健身追蹤以及智慧環境等應用。然而現有深度學習方法需要針對特定資料集進行訓練、大量標註語料，並且在新的感測器設定或活動分類體系下需要重複適應。檢索增強生成式人類活動辨識 (RAG-HAR) 透過將 HAR 視為無需訓練、檢索增強的任務來解決此問題，其中感測器視窗的統計描述用於檢索類似的標註範例，進而引導 LLM 進行分類。我們提出 RAG-HAR+，這是一種檢索優先且成本最佳化的延伸版本，可強化檢索並降低對 LLM 推論的依賴。RAG-HAR+ 使用離線檢索設計代理程式，從多樣化的動作描述子池中設計特定於資料集的特徵群組，使感測器視窗能利用更符合資料集特定活動模式的特徵進行比較。在推論階段，RAG-HAR+ 針對具有強大檢索證據的樣本採用檢索鄰近多數決，並僅將不確定的情況交由 LLM 型歧義解析代理程式處理。在六項 HAR 基準測試中，RAG-HAR+ 維持競爭力或更佳的效能，同時降低 LLM 使用量、token 消耗及推論時間。我們進一步延伸 RAG-HAR 行動原型，以展示檢索優先、LLM 輔助 HAR 在行動感測情境中的實務可行性。

Submission history

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