Bài báo này đề xuất một khuôn khổ học tập mới trên thiết bị, ít lần chụp, đồng thời đạt được khả năng khái quát hóa chéo người dùng và tùy chỉnh cá nhân trong nhận dạng hoạt động của con người (HAR) bằng cách sử dụng nhiều phương thức cảm biến khác nhau. Để giải quyết lỗi khái quát hóa của các mô hình HAR hiện có đối với các biến thể cụ thể của người dùng, trước tiên chúng tôi học các biểu diễn khái quát hóa trên nhiều người dùng, sau đó cập nhật trực tiếp một lớp phân loại nhẹ trên các thiết bị hạn chế tài nguyên, nhanh chóng thích ứng với người dùng mới chỉ với một số lượng nhỏ mẫu được gắn nhãn. Chúng tôi triển khai và đánh giá khuôn khổ của mình trên vi điều khiển RISC-V GAP9 bằng cách sử dụng ba tập dữ liệu chuẩn: RecGym, QVAR-Gesture và Ultrasound-Gesture. Việc thích ứng sau khi triển khai mang lại kết quả cải thiện độ chính xác lần lượt là 3,73%, 17,38% và 3,70%. Điều này cho phép HAR đeo được có khả năng mở rộng, nhận biết người dùng và tiết kiệm năng lượng. Khuôn khổ đã được phát hành dưới dạng mã nguồn mở.
