摘要— 为了与人类流畅协作，机器人需要具备准确识别人体活动的能力。尽管现代机器人配备了多种传感器，但由于多模态数据融合的困难，稳健的人体活动识别（HAR）对机器人而言仍是具有挑战性的任务。为解决这些难题，本研究提出了一种基于深度神经网络的多模态HAR算法HAMLET。HAMLET采用分层架构，其底层通过多头自注意力机制从单模态数据中编码时空特征。我们开发了一种新颖的多模态注意力机制，用于解耦并融合显著的单模态特征，从而在上层计算多模态特征。最终，多模态特征被输入全连接神经网络以识别人体活动。我们通过在三个人体活动数据集上与多种先进活动识别算法进行性能对比来评估本算法。

过去几十年，生物数据集的规模与复杂性大幅增长，这使得机器学习越来越多地用于为潜在生物过程构建信息与预测模型。所有机器学习技术都在让模型与数据相匹配；然而，具体的方法多种多样，乍一看似乎令人眼花缭乱。对于不同类型的生物数据，该如何选择特定的机器学习技术？ 2021年9月，发表在Nature Reviews Molecular Cell Biology上的综述文章“给生物学家的机器学习指南”，向读者简要介绍了一些关键的机器学习技术：既包括分类、回归、聚类模型等传统机器学习方法，也包括最近开发和广泛使用的涉及深度神经网络的技术。本文还记录了一些最佳做法与入门要点，并展望了机器学习应用于生物学的一些最令人兴奋的前景。