通过机器学习应用于儿童保育机构，本研究的目的是检测儿童虐待场景，以提高儿童的安全性，通过对儿童的声音进行分类和识别，预测儿童当前发出的声音是哭泣、尖叫还是笑声，并实时向相关人员发送警报，通过同时使用视频图像分类的混合方式，可以显著提高儿童虐待侦测的准确性，减少幼儿园儿童受到暴力虐待的可能性，使工作人员能及时干预即将发生或刚刚开始的儿童虐待事件。在该实验中收集的数据集完全来自儿童保育机构现场录制的声音，包括哭泣声、笑声、尖叫声和背景噪音，这些声音文件使用短时傅里叶变换转换为频谱图，然后将这些图像数据导入到一个 CNN 神经网络进行分类，最终训练的模型在声音检测方面可以达到约 92% 的准确率。

Jul, 2023

本文比较了四种最先进的算法在两个实际应用中的效果，其中之一是基于加速度计数据的手势识别，另一个是图像分类，结果证实了这些系统的可靠性和在微型存储器 MCUs 中部署的可行性。

Sep, 2022

本研究在智能家居安装中探索电器电能使用作为检测居民是否在家的手段，通过非侵入式的消耗功率分解方法，该方法在 UK-DALE 数据集上进行了机器学习算法的评估，结果表明电器电能使用是检测家庭居住与否的可行方法之一。

Mar, 2022

本文提出一种基于视频和移动设备的简单和轻量级交付检测流程，该流程依赖于运动线索生成一组粗略的活动建议，随后使用移动友好的 3DCNN 网络对其进行分类。同时，利用半监督注意模块并采用基于证据的优化目标进行训练，以获得鲁棒的时空特征。实验结果表明，与现有方法相比，本方法具有显著的性能优势，适用于资源受限的门铃摄像头等边缘设备。

May, 2023

对孟加拉国男性家庭暴力（MDV）进行了首次探索，揭示了其普遍性、模式和潜在因素，研究结果挑战了家庭暴力主要影响女性的普遍观念，强调了为男性受害者提供量身定制的干预和支持体系的必要性。机器学习技术在数据分析和理解方面起到了积极的作用。

Mar, 2024

为了有效地进行数字化接触追踪，我们提出了一种新的系统，通过蓝牙低功耗信号和其他设备传感器（加速计、磁力计、陀螺仪）的联合模型来估计成对个体接近度，并探索多种方法来解释传感器数据流以及使用多种统计和深度学习方法来学习传感接近度的表示，并报告规范化决策成本函数（nDCF）度量值，分析各种输入信号的差异影响，并讨论相关挑战。

Sep, 2020

通过使用低功耗模型，借助可穿戴设备在边缘进行实时步态识别，本研究成功地在 Arduino 上演示了作者的实时身份识别，从而强调了其功效，并为不久的将来在实际系统中应用提供了可行性证明。

Apr, 2024

利用低成本的惯性传感器，我们提出了一种名为 DoorINet 的端到端深度学习框架，用于从安装在门上的惯性传感器中计算方向角，而不使用磁强计干扰，以解决室内环境下磁强计性能下降的问题。通过对包含 391 分钟加速度计和陀螺仪测量值以及相应地面真实方向角的独特数据集的评估，我们证明了我们的方法胜过常用的基于模型的方法和数据驱动方法。

Jan, 2024

通过比较不同程度的噪音对生理唤醒分类问题分类模型的影响，该研究探讨了为什么和如何以前的方法失败，并分析了噪音对每个模型结构的影响，从而开发出对噪音环境具有鲁棒性的模型，适合于日常生活的喧嚣。

Jun, 2023

该研究的目标是针对自动驾驶汽车开发一种基于创新的音频分析的人口贩运侦测框架，使用一维卷积神经网络可以将人口贩卖受害者的声音从非人口贩卖声音中区分出来，准确率达 95%。

Sep, 2022