IMU 传感器用于人体活动识别（HAR），能够连续、隐私友好地监测日常动作。但构建在多用户和真实环境下具备泛化能力的模型，需要大量标注的 IMU 数据，采集成本高。现有方法多通过数据增强或合成来扩充样本，却往往盲目增加虚拟数据，覆盖率提升有限且可能引入噪声监督。
为此我们提出覆盖感知的虚拟 IMU 增强框架。首先在学习得到的传感器嵌入空间中挑选 多样性锚点 与 稀缺性锚点，将锚点的运动动态转化为提示（prompt），据此生成对应的虚拟 IMU 序列。随后依据 选择成本 对候选进行排序，选择成本由锚点距离和标签一致性两部分组成。最终在 HAR 训练中以 可靠性权重 融入选中的虚拟样本。
在多个公开 HAR 基准上实验表明，本文方法相较于多种强基线持续提升识别精度，且消融实验验证了锚点选择、成本函数和权重机制的有效性。
点评