Cet article propose une nouvelle méthode, K-Nearest Neighbors Maximum Mean Discrepancy (KNN-MMD), pour résoudre le problème d'adaptation de domaine en reconnaissance d'activité humaine par détection sans fil. Afin de surmonter les limites des méthodes d'alignement de domaine (DAL) existantes, qui se concentrent uniquement sur l'alignement de distribution global et ne prennent pas en compte les relations entre les catégories, nous proposons une méthode permettant de construire un ensemble d'aide dans le domaine cible à l'aide de KNN et d'aligner localement les domaines source et cible au sein de chaque catégorie à l'aide de MMD. De plus, pour résoudre le problème d'instabilité et la difficulté de déterminer le point d'arrêt optimal lors du processus d'apprentissage des méthodes existantes, nous adoptons une stratégie consistant à exclure l'ensemble de support du domaine cible du processus d'apprentissage et à l'utiliser comme ensemble de validation. La méthode proposée est adaptée à l'apprentissage en quelques coups avec un faible volume de données, et le code et l'ensemble de données sont accessibles au public.
