edBB-Demo 是一个 AI 驱动的教育平台，旨在解决远程教育中的用户认知与行为理解方面的挑战，通过多模态学习框架收集来自多种传感器的信息，实现生物识别、动作识别、心率估计和注意力估计等功能。

Nov, 2022

本研究使用行为生物识别，包括触摸动态和手机移动，创建和评估了用户身份验证方案。使用两个公开数据集，采用 7 种机器学习算法进行评估，准确率高达 86％。

May, 2022

研究中使用计算机视觉技术检测在线学习过程中异常的头部姿态，并介绍了手机使用对学习过程的影响的研究。通过收集来自 120 位学习者在 MOOC 学习过程中的行为数据，研究聚焦于手机使用事件对行为和生理反应（特别是注意力、心率和冥想）的影响，并提出了一种通过摄像头图像来估计头部姿态事件以检测手机使用事件的方法。本研究的假设是，当学习者与手机交互时，头部姿态会发生显著变化，与学习者面对计算机时的典型行为形成对比。我们提出了一种半监督方法，用于检测学习者会话期间头部姿态与平均姿态的偏差，并对发现的头部姿态异常事件进行标记，敏感度超过 90%。

May, 2024

使用动物背负的传感器记录生态和环境数据，为了比较不同的机器学习技术，建立了大型公开数据集和评估系统 Bio-logger Ethogram Benchmark（BEBE），执行行为注释和标准建模任务，评估了 10 种不同的机器学习方法，并识别出未来研究中需要解决的关键挑战。

May, 2023

本文提出了一种新技术 DEEPSERVICE 来识别移动用户，该技术基于用户的击键信息进行识别，准确率高达 93％以上，并且只需不到 1 毫秒的时间。

Nov, 2017

本文提出一种针对面部视频的生理信号恢复算法，包括一个完整且高效的训练和测试框架，以及一个高度同步、无损格式的数据集，该数据集包含来自 58 个受试者的 32 个小时（3.53M 帧）的视频，旨在为不同的算法提供公平比较。

May, 2023

该论文提出了一种基于任务行为生物特征认证的方法，利用个体的运动轨迹作为唯一签名，在虚拟现实环境中实现无缝的持续认证。通过使用深度学习方法进行行为生物特征认证，准确率较高，但在使用任务开始时的较小片段时性能较低。因此，现有技术设计的系统在等待未来运动轨迹片段可用时是易受攻击的。为了解决这个问题，该研究首次使用基于 Transformer 的预测方法，预测未来用户行为并用于用户认证。根据用户当前的任务环境下的轨迹，我们的方法可以预测用户未来的运动轨迹，因为用户不太可能在任务期间大幅改变其行为。我们使用 Miller 等人公开的 41 个被试的投掷球数据集来展示使用预测数据进行用户认证的改进效果。与不进行预测相比，我们的方法平均将认证等错误率（EER）降低了 23.85％，最大降低 36.14％。

Jan, 2024

数字生物标志物和远程患者监测可以为传统医疗环境中的治疗提供有价值且及时的信息。我们构建了一个开源平台 RADAR-base，支持远程监测研究中的大规模数据收集，从而通过收集的长期纵向数据开发可靠的数字生物标志物，为不同疾病提供有用的洞察。

Aug, 2023

研究使用可穿戴和环境传感器分析医院工作人员的工作表现，人际交往和幸福感，收集 212 名参与者的生理和行为数据，并通过测量个性特征，行为状态，工作表现和幸福感等问题，构建数据集，支持多模态行为建模、生物特征认证和隐私保护机器学习等应用

Mar, 2020

本文提出一种基于眨眼频率的远程注意水平估计方案，通过使用卷积神经网络构建的眨眼检测系统，并分析在线课堂学生的注意力与眨眼率之间的关系，提出一种名为 ALEBk 的方法来估计注意力。研究结果显示出眨眼频率与注意水平之间呈现反相关的关系，为在未来的远程学习平台上引入这项技术及基于面部分析的这类行为生物识别技术应用打开了新的研究方向。

Dec, 2021