美国有超过三分之一的成年人是糖尿病前期患者，其中 80％不知晓自己的状况。为了预防 2 型糖尿病和相关心脏疾病，需要更好的血糖监测。现有的可穿戴式血糖监测仪在小型数据集训练方面存在局限性，因为收集大量的血糖数据通常代价高且不现实。我们的研究采用改进的频域改变重现图机器学习方法，即使在有限数据集下，也能提高从可穿戴设备数据中预测血糖水平的准确性。该技术将先进的信号处理与机器学习相结合，提取更有意义的特征。我们使用历史数据对我们的方法进行了测试，结果显示我们的方法在预测实时间质血糖水平方面超过了当前的 87％准确性基准。

Jun, 2024

基于模型集成的新颖 TemporalAugmenter 方法用于扩充长期和短期依赖性的时态信息捕获，从而增强时态依赖抽取的模型，同时减少预处理和特征提取的工作量，使得建立在 TemporalAugmenter 方法上的模型的能耗减少，促进绿色人工智能。此外，该方法可以简单地集成到包括工业、医疗和人机交互应用在内的各种领域。通过实证评估了语音情感识别、心电图信号和信号质量检查等三个不同复杂度和不同时间依赖特性的任务。

Jan, 2024

地理空间活动与土地利用类型之间存在相关性。提出一种新颖的自监督方法，基于运动活动时间序列对景观进行分层。时间序列信号首先转换到频域，然后通过压缩自编码器转换为与任务无关的时间嵌入，该方法保留了时间序列中观察到的循环时间模式。通过深度语义分割，将像素级嵌入转换为类似图像的通道，可用于基于任务的异模态建模和下游地理空间任务的建模。实验证明，时间嵌入是时间序列数据的语义有意义的表示方法，并且在不同的任务中如分类住宅区和商业区等有着良好的效果。时间嵌入将时空运动轨迹数据转换为语义有意义的类似图像的张量表示，可以与其他数据模态（如 RBG 图像、道路网络的图嵌入、被动采集的 SAR 图像等）相结合进行多模态学习，从而促进地理空间计算机视觉中的多模态学习。多模态计算机视觉对于训练地理空间特征检测的机器学习模型以保持地理空间映射服务实时更新是至关重要的，可以显著提高用户体验和用户安全。

Oct, 2023

通过频域学习提高深伪造图像检测器的泛化性能，包括使用频率级别的伪造检测方法和一个特定设计的频域学习模块，实现了先进的性能 (+9.8%)，并且所需参数更少。

Mar, 2024

通过数据增强进行的少样本学习，结合时间 - 频率领域的转换和随机擦除合成图像生成，提出了一种新颖的少样本学习框架。实验结果表明，该方法能够在两个数据集上分别达到 93.75% 和 95.48% 的 F1 得分以及 93.33% 和 95.59% 的准确率，证明在解决时间序列分类中的少样本问题上具有实际应用价值。

Nov, 2023

通过使用时间频谱图作为时间序列数据的可视表示，使用视觉变换器进行多模态学习的一种新方法，与统计基线、深度学习方法、其他视觉表示方法和只使用时间序列作为输入的研究进行对比，表明利用频谱图作为时间序列数据的可视表示具有优势，并且同时学习时间和频率域的优势。

Mar, 2024

本文针对可穿戴传感器数据分类中数据量小、标签存在噪声和类内变异性大等问题，提出了多种数据增强方法，并将所提出的方法和卷积神经网络应用于帕金森病患者运动状态的分类，取得了从 77.54％到 86.88％的性能提升。

Jun, 2017

通过自我监督学习方法，将地理空间活动时间序列转化成任务无关的时间嵌入表示，然后使用深度语义分割，将这些嵌入转换成用于下游任务的基于图像通道的表示，实现对住宅区和商业区等不同类型用地的分类。

Apr, 2023

穿戴设备中的缺失数据填充问题的研究，通过比较表示学习和统计方法，发现变化频繁的信号可以使用 Transformer 模型进行更准确的填充，为解决穿戴设备中的数据缺失问题提供了启示。

Jan, 2024

本文提出了一种深度神经网络架构，利用自关注机制从多传感器时间序列数据中选择和学习重要时间点，以更好地解码人体活动，并在六个公共数据集上验证了该方法的有效性。

May, 2020