本文提出了一种多模态方法，结合分析面部运动和多个外部生理信号，通过考虑个体化休息动态来解码正负情感体验。通过构建人体特征循环网络，解码个体面部运动和生理数据的动态耦合关系，并在其基础上训练推理模型，将个体的情感体验进行预测和验证。

Nov, 2018

本研究提出了一种新的自我监督的深度学习方法，通过使用连续脑率指数和空间谱拓扑头图从 EEG 数据中进行神经负荷建模，该方法表现出在通常适用性方面的能力，这证明了卷积层学习有意义的高级表示的能力。

Sep, 2022

本文提出了一种新的Multi-branch Classifier-Video Vision Transformer (MC-ViViT)模型，通过分析面部特征区分普通认知和轻度认知障碍(MCI)。作者通过提出的HP Loss组合了Focal Loss和AD-CORRE Loss解决了数据集不平衡的问题，并在I-CONECT数据集上取得了90.63%的高准确率。

Apr, 2023

通过应用基于阈值的弱监督模型和梯度可解释人工智能技术(如saliency map)，我们在时序数据中探索其可行性，以识别相关框架。在15名中风幸存者的数据集中，我们实现了一个前馈神经网络模型，并利用每个输入对模型结果的梯度来识别涉及补偿动作的显著框架。根据帧级注释评估，我们的方法取得了0.96的召回率和0.91的F2分数。这表明了基于梯度的可解释人工智能技术（如saliency map）在时序数据中的潜力，例如标识治疗师应重点审查的视频框架，减少模型训练中的帧级标签工作量。

May, 2023

利用深度学习算法从视频中提取面部特征来检测老年人的轻度认知障碍（MCI），通过使用卷积自编码器提取空间整体面部特征和使用变换器提取时间信息的方法，该研究在I-CONECT行为干预研究数据中成功地检测了MCI病人与正常认知状况的病人，结合特定主题视频中面部特征信息的片段和序列信息可以提高预测性能，最终达到了88%的准确率。

Aug, 2023

穿戴设备预测模型、认知损害、机器学习模型、预测特征、持续健康监测

Aug, 2023

通过系统综述了解了基于脑电图 (EEG) 的认知负荷估计。重点包括：确定可靠引发离散和量化认知负荷水平的实验范式，并探究在信号分类中常用的深度神经网络 (DNNs) 的输入形式的特点和表征结构。分析发现一些研究在离线认知负荷分类中使用脑电信号的二维矩阵原始表示，但只有少数研究采用了在线或伪在线的实时认知负荷估计策略。此外，在这项综述中，仅采用了数个可解释的 DNNs 和一个生成模型进行认知负荷检测。总的来说，由于其网络架构的深度提供了巨大的建模能力，DNNs 成为分类脑电信号的宝贵工具。进一步建议采用可解释且可解读的 DNN 模型进行认知负荷估计，因为现有方法在面对非平稳信号时存在局限性。

Sep, 2023

该研究提出了一种多模态分层多任务学习方法，可以在访问轨迹的每个时间点监控疾病进展的风险，并且相较于最先进的基线模型，在预测阿尔茨海默病进展风险和综合评分上表现更好。

Apr, 2024

本研究针对轻度认知障碍（MCI）群体的社交互动和行动问题，采用分布式摄像头网络自动监测其行为。通过隐私保护的边缘计算方法，利用机器学习算法成功区分了不同认知功能水平的MCI患者，并实现了71%的准确率，展现了此技术在认知障碍评估中的应用潜力。

Aug, 2024

本研究解决了在老年痴呆症护理中，由于行为表现如焦虑和攻击性导致的健康与安全风险的问题。我们提出了一种新颖的深度加权损失函数，训练定制的卷积自编码器，从而减少因视野被遮挡引起的误报，提高了风险行为检测的可靠性，显示出在实际监控系统中的应用潜力。

Aug, 2024