本文通过使用无线电波通信的 WiFi 接入点提供的信道状态信息，设计了一个无需摄像头设备的人体检测系统，通过提取时间序列中的特征，并使用动态和静态（DaS）数据预处理技术来提取人的运动和空间特征，利用投票机制解决了房间隔板带来的信号衰减问题，使得我们的 TCD-FERN 系统在多个房间环境下使用较少的 WiFi 接入点就可以有效地实现人体检测。

Apr, 2023

本文提出了一种基于目标检测、聚类和卷积神经网络的轻量级、稳健且全天候自动化视频监控系统，用于检测人体、社交距离违规、人脸及口罩分类，并提供了不同人脸检测和口罩分类模型的比较研究和基于视频标记的数据集标记方法，该系统在标记视频数据集上的准确率为 91.2％，F1 得分为 90.79％，预测时间平均为 7.12 秒。

Oct, 2021

本研究基于 Wi-Fi CSI 研究人体活动识别，提出一种使用深度学习方法的系统，并比较了卷积神经网络、长短期记忆网络和混合模型的效果，结果表明 LSTM 的平均准确率达到 95.3％，相比 CNN 和混合技术更加有效，未来需要在不同的复杂环境中研究其稳健性。

Apr, 2023

我们提出了一个基于人工智能的实时社交距离检测和警告系统，考虑到四个重要的伦理因素。该系统使用单目相机和基于深度学习的实时对象检测器来测量社交距离，并在检测到违规时发出非侵入性的音频视觉警告信号，这个系统的实验表明有良好的广泛性和性能表现。

Jul, 2020

提出了一种名为 C-Watcher 的基于大数据的数据驱动框架，可通过采集居民活动数据并利用对城市移动模式的特征进行建模，实现对 COVID-19 疫情高风险居民区的提前预警和精准监测。

Dec, 2020

本文提出了一种新的方法，利用来自各种信息源的新实时信号（例如基于社交媒体的人口密度地图和空气质量数据）来预测流行病学参数，使用多个卷积神经网络（CNN）模型的集合，并使用各种数据源和融合方法来构建稳健的预测，在伦敦的 COVID-19 爆发预测中，气象信号和基于社交媒体的人口密度地图的组合提高了性能和灵活性，并通过数据同化估计了我们系统的状态，从而提高了我们的模型的稳定性和准确性。

Jul, 2023

本文介绍了一个自主观察儿童洗手并鼓励好的洗手习惯的社交机器人系统，使用修改的卷积神经网络和 VG-16 架构，可在 WHO 规定的洗手步骤中实现高达 90% 的准确度。

Oct, 2022

本文提出了一种基于 Wi-Fi 信号的人体移动监测技术，通过开发神经网络模型，能够识别人际交互行为并在实时环境下呈现监测结果。

Feb, 2022

使用深度学习和计算机视觉技术开发的 COVID-19 Social Distancing Detector System 可在指定区域内维持社交距离和监测违规行为，可用于任何场所，并可提高风险管理和保护个人安全。

Apr, 2023

本文提出了一种使用 Wi-Fi 信号中的信道状态信息进行人体存在检测的深度学习模型，并结合静态特征以提高静态状态下检测的准确性，在一系列的评估中展示出比其他模型更高的准确率且更具稳定性。

Apr, 2023