通过传感器融合的方法，对婴儿的运动模式进行自动分类可能显著提高基于人工智能的神经功能的早期识别，最终促进神经发育状况的自动化检测。
Jun, 2024
利用可穿戴式技术和机器学习算法实现对婴儿活动的自动记录和分类，有助于早期发现发育不良的婴儿并为神经发育障碍的预防和治疗提供新的方法。
Sep, 2019
提出一种新的方法 WSGN，使用弱监督学习从视频中标注人类动作，包括视频级别标签，通过学习视频特定以及数据集范围内的统计信息来预测每个帧对于动作类别的相关性，可在两项标准测试中显著提高动作检测效果并且在 Charades 数据集上弱监督方法与有监督方法之间只有 0.3% mAP 的差距。
Apr, 2019
本文研究了使用压力传感器将数据编码为算法以用于感知婴儿的细微运动模式。结果证明了压力传感器方案的潜力和准确性，可以在儿科领域大幅提高运动数据的质量和效率。
Jul, 2022
利用动态高斯抖嗒实现稀疏无标记运动捕捉数据的易得到的精确 3D 追踪，为康复提供了便利。研究应用于婴儿和新生儿的可靠运动分析方法，通过改进场景的初始化，为各种临床人群提供了先进的运动分析工具，并重点关注婴儿的早期检测。
Oct, 2023
提出了一种名为 WOAD 的弱监督在线动作检测框架，该框架只需使用视频类别标签进行训练，包含两个联合训练的模块，即时间提案生成器（TPG）和在线动作识别器（OAR），通过实验验证，在 THUMOS'14, ActivityNet1.2 和 ActivityNet1.3 等数据集上，该框架优于弱监督和强监督基线，达到了与前一强监督方法相当的性能。
Jun, 2020
对于记录婴幼儿行为的视频数据，为了保护隐私，在去识别化人脸信息时不会影响数据的可用性，这使得共享更成为可能。而共享这种数据将有助于人工和电脑视觉方法的培训和重新校准，并为进一步的科学和公共卫生研究提供帮助。
基于数据驱动的评估方法，通过提取婴儿的运动模式和应用图卷积网络，达到对婴儿神经发育的实际年龄预测，并提高了传统基于手动设计特征的机器学习基准。
Feb, 2024
本文介绍了一种名为级联金字塔挖掘网络的新型体系结构，旨在通过两个有效模块解决弱监督的时间动作定位问题，并在 THUMOS14 和 ActivityNet-1.3 数据集上进行了广泛的实验和验证。
Oct, 2018
该研究提出了一种潜在方法，利用注意力模型进行弱监督学习，其可以检测出影片中的动作，而无需特定类别的标签， 并利用弱监督学习进行比较准确的学习和定位，成功地应用于 Instagram 中的不加筛选的视频之间。
Aug, 2019