CrossHAR：基于分层自监督预训练实现跨数据集人类活动识别的泛化

人类活动识别（HAR）在智能健康监测、人机交互等领域具有广泛应用，但不同数据集之间的领域差异严重影响模型的跨数据集泛化能力。本研究提出CrossHAR框架，采用分层自监督预训练方法，首先在多个源数据集上进行表示学习，然后通过层次化的预训练策略提取与任务无关的通用特征。实验表明，该方法在多个公开HAR数据集上显著提升了跨数据集识别性能，为解决领域偏移问题提供了新思路。