基于日常行为识别的健康监护，是发现健康异常并为慢性疾病提供早期预警的重要手段。而实际应用场景中的动态变化，是实现实时、精准行为识别的重要挑战之一。针对这一问题，计算学部胡春雨博士与中科院计算所、南洋理工大学等机构研究人员合作，在人工智能领域国际知名期刊《Knowledge-based Systems》上发表了题为“Disagreement-Based Class Incremental Random Forest for Sensor-Based Activity Recognition”的论文，胡春雨为论文第一作者，齐鲁工业大学（山东省科学院）计算机科学与技术学院为第一完成单位。

传统的可穿戴行为识别模型在训练时无法预见用户所有可能执行的行为，新行为类别的出现导致在线数据自动标记困难，从而进一步影响模型更新后的性能。此外，已有的类别自适应学习方法在模型更新过程中还存在“灾难性遗忘”问题。该论文重点解决非限定场景下行为类别动态增长的问题，提出了一种能够自动准确标记与识别新行为类别的可穿戴行为识别模型，保证了行为识别模型性能的鲁棒性。

《Knowledge-based Systems》是中科院1区期刊，影响因子8.038，主要发表人工智能、大数据等领域高质量研究成果。

论文链接：https://doi.org/10.1016/j.knosys.2021.108044