算法具有在可穿戴设备之间迁移的能力，主要功能是区分走路、跑步、骑行、上楼梯、下楼梯五种动作类型，目标是希望能够实现设备独立，在不同可穿戴设备之间进行迁移。一方面，能够有效提高模型的适用性，解决数据缺乏的问题；另一方面，从设备迁移能力进一步扩展到不同的用户特征，也能够进一步提高模型的可用性，解决场景对目前模型影响较大的问题。主要算法的流程是，在进行数据采集和数据预处理之后，运用深度域适应模型在三类设备之间进行迁移，将从有大量标记数据的源数据集训练学习到的知识 迁移到无标记数据的目标数据集上，提高目标数据集的分类效果。 这是模型的框架图，主要思想类似于一个对抗网络，由相似性度量器、特征提取器、活动分类器和域判别器四部分组成。首先相似性度量器选择与目标数据集最相近的数据集用于迁移，特征提取器卷积神经网络(CNN)与活动分类器合作完成识别人体活动，同时试图欺骗 域识别器来学习与设备无关，也就是设备独立的特征表示。测试结果如下，在有标记的源数据集上，分类识别准确率在95%以上，对于无标记的目标数据集，与不使用迁移和现有三种state-of-the-art方法比较，分类结果普遍表现的最好。细节如图1所示，上述研究成果发表于 IEEE SECON 2020 （CCF B类会议）。

图1. 可穿戴设备之间迁移的处理框架