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

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

使用可穿戴传感器和机器学习算法来区分典型和风险婴儿的自主运动，以进一步建立早期自主运动与发育轨迹之间的联系。

Jul, 2018

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

本研究探讨了在 M 模式肺超声图像的肺滑动分类任务中，进行自监督预训练对于监督微调的实用性，结果表明，相对于完全监督，自监督预训练表现更好，特别是对于未使用 ImageNet 预训练权重来初始化特征提取器的情况下。此外，包含大量未标记数据可提高外部验证集上的表现，突显了自我监督在提高自动超声识别的泛化能力方面的价值。

Apr, 2023

通过自监督预训练可以生成适用于多种 B 模式肺部超声分析分类任务的神经网络特征提取器，经预训练模型在三项肺部超声任务的微调后，平均跨任务下的受试者工作特性曲线（AUC）面积分别提高了 0.032 和 0.061， 紧凑非线性分类器在单个预训练模型输出的特征上训练并不能提高所有任务的性能，但比起独立微调模型的串行执行，推理时间缩短了 49%；在仅使用 1％的标签进行训练时，预训练模型始终优于全监督模型，对于视图分类任务，最大观察到的测试 AUC 提高了 0.396。总体而言，结果表明自监督预训练有助于生成用于肺部超声分类器的初始权重。

Sep, 2023

研究利用自监督学习扩展传统监督模型，以应对移动感知环境中许多传感器持续产生的大量数据和标注数据不足的挑战，通过一个未标注的时间序列数据集来抽取特征并预测带有标签的数据，研究结果表明在四种公共数据集上对于不同类型的传感器和应用，选择不同大小及来源的未标注数据会对最终的分类预测性能产生影响。

May, 2023

本研究提出了一种名为 WO-GMA 的新方法，可以在弱监督在线设置中定位儿童普通动作，从而实现早期诊断儿童脑瘫的目的，该方法可以极大地缩短诊断时间。

Aug, 2022

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

本文介绍了一种结合智能手机应用程序和可穿戴传感器的人体运动定量监测，旨在提高运动员安全性、预防受伤和优化训练效果的质性评估方法，基于时序序列数据进行个体特征提取，并通过监督分类技术的应用成功地评估了 27 名运动员的训练动作类型和质量。

Mar, 2017