Aug, 2023

智能眼镜中的任务卸载：增强体温升高的检测

PDF
TL;DR该论文研究了在智能可穿戴眼镜上进行的医疗监测应用的任务卸载场景，旨在识别最优的卸载条件，并评估了在现实环境下任务完成时间、计算能力和能量消耗等性能指标。研究重点关注在如机场等室内区域进行的特定用例，安全人员佩戴智能眼镜来检测个体的体温是否升高，从而可能表明患有 COVID-19。研究结果突出了在医疗环境中为可穿戴设备进行任务卸载的潜在益处，证明了其实用性与相关性。
wearable devicessmart glassestask offloadinghealthcare monitoringcomputational capabilities
发现论文，激发创造
  • 排气我们的 Glass：Google Glass 的能耗和热特性表征

    本文研究了 Google Glass 这种头戴显示设备的电力与热特性，并给出了在限制能量消耗方面的见解和影响，以提高头戴设备的安全性和实用性。

    Mar, 2014

  • DeepWear: 自适应本地卸载在可穿戴设备上的深度学习

    本文提出了 DeepWear，一种基于深度学习的智能穿戴设备框架，通过本地网络将深度学习任务从穿戴设备成功地迁移到其配对的手持设备以提高效能，并能够根据不同情境进行灵活迁移，同时比云端远程迁移更能保护隐私。DeepWear 提供各种新颖的技术，如环境感知迁移、策略模型分割和流水线支持，以充分利用附近手持设备的处理能力，而且操作简单，使用方便。在实际的 Android 智能手机和智能手表上实现 DeepWear，与仅使用穿戴设备和仅使用手持设备的策略相比，DeepWear 可以带来高达 5.08 倍和 23.0 倍的执行速度提升，以及 53.5% 和 85.5% 的节能效果。

    Dec, 2017

  • 智能眼镜上的超高效设备端物体检测技术

    本文说明了在智能眼镜中设计和实现利用新型低功耗处理器的小型机器学习算法，以实现持续不间断运行。我们使用两个微控制器和蓝牙低功耗模块为研究平台设计了智能眼镜原型，集成了用于能耗和延迟评估的基于 YOLO 的小型深度学习模型 TinyissimoYOLO，并在原型上进行了评估，结果表明其具有良好的检测精度和能耗性能。

    Nov, 2023

  • 基于 PPG 的心率估计的可穿戴到移动设备的节能机器学习推断卸载

    该研究提出了一种协作推理方法，旨在通过智能手表与智能手机之间的合作来最大化心率追踪的性能，并在维持低的均方误差 (MAE) 的同时降低能耗。

    Jun, 2023

  • 利用高维计算技术实现可穿戴健康应用的高效个性化学习

    研究使用超高维计算的方法实现在可穿戴设备上进行个性化和隐私保护的机器学习，该方案提高了训练的效率，同时精度较高。

    Aug, 2022

  • 利用可穿戴设备的机器学习模型自主识别认知能力较弱的老年人

    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

  • 基于可穿戴设备的生理信号监测：认知负荷跨任务评估研究

    通过使用前沿的可穿戴监测技术，该研究在 FP1 通道的脑电图数据和次要职业学生的心率变异性数据上进行高精度、高时间分辨率的认知负荷评估，综合分析这两个关键生理指标，研究其在评估次要职业学生认知负荷中的应用价值以及在不同任务中的效用。该研究设计了两个实验证明了所提出方法的有效性：首先，使用 N-Back 任务开发的随机森林分类模型能够对处于不同认知负荷水平下的次要职业学生的生理信号特征进行精确解码，实现了 97% 的分类准确率。随后，在国家计算机等级考试中应用该分类模型进行交叉任务实验，展示了该方法在不同学习环境中的显著适用性和跨任务的可转移性。该研究具有高可移植性，对于优化次要职业教育中的教学资源配置以及认知负荷评估方法和监测具有重要的理论和实践意义。目前，研究结果正在学校进行试行实施。

    Jun, 2024

  • FedHealth：一种用于可穿戴医疗的联邦迁移学习框架

    本文提出了 FedHealth 框架，该框架利用联邦学习进行数据聚合，并通过迁移学习构建个性化模型，从而实现准确且个性化的医疗保健，同时不会损害隐私和安全。实验表明，FedHealth 在可穿戴活动识别方面比传统方法具有更高的准确性（增加了 5.3%）。FedHealth 具有广泛的适用性和可扩展性，并且有潜力用于许多医疗保健应用。

    Jul, 2019

  • 利用设备集成与可穿戴传感器预测日常移动交互期间的用户关注

    该论文介绍了一种使用设备集成传感器和身体佩戴相机的方法来预测用户在移动设备上的视觉注意力行为，并探讨了其在不同特征集下的性能和潜力。

    Jan, 2018

  • 游戏化能减轻 mHealth 应用中自我报告的负担吗？使用智能手表数据的机器学习进行可行性研究以估计认知负荷

    本文在探讨如何解决数字治疗中患者面临的自我报告过多问题。通过引入游戏化因素和基于 PPG 信号的认知负荷检测技术，研究发现可以减轻患者的认知负荷，提高患者对数字治疗的参与度。

    Feb, 2023