本研究开发了一种有限元分析的替代模型，可以准确、高效地预测不考虑复杂几何形状和边界条件下的动脉壁应力应变场。

Aug, 2023

通过对感知的研究，本文提出了一种分析和理解自行车安全感知以及建筑环境和骑行背景对此感知的影响的新方法。城市规划可以利用这个评分来提高干预措施的效果，改善骑行促进活动，并且这种方法可以在不同地点或背景下进行快速评估和连续评估骑行环境的变化。

Jul, 2023

利用卷积神经网络从大规模的人类认知感知数据集中学习，在全球范围内量化城市环境感知现象的关系。

Aug, 2016

使用穿戴设备收集的生物信号数据进行压力预测，通过个性化的自监督学习方法，基于神经网络模型实现了较少标注数据即可达到等效结果，从而辅助移动感知技术在诸如压力等复杂、异质和主观主题上精准度健康评估系统。

Aug, 2023

本文介绍了使用可穿戴设备通过皮肤电和心率等多模态生理数据获取个性化的压力识别方法，基于多任务学习的神经网络方法能够成功应用在真实驾驶和模拟驾驶的数据中。

Nov, 2017

本文提出了一种基于空间 - 时间同步对比学习（STS-CCL）模型的高效方法，通过图数据的增强和同步对比模块实现了复杂的空间 - 时间表示的捕获，进而在交通预测任务中取得了优越的性能。

Jul, 2023

通过机器学习方法，结合众包和手机数据以及其他人口、土地利用、地形和气候等多个数据集，本研究在澳大利亚新南威尔士州的大范围区域网络上开发和应用了一个模型，用于估计每日步行和骑行量。研究讨论了模型训练、测试和推断的挑战，提出了一种新的技术来识别模型估计的异常值并减轻其影响。该研究为交通模型师、政策制定者和城市规划师提供了一个有价值的资源，以改进基于先进的新兴数据驱动型建模方法的主动交通基础设施规划和政策。

Mar, 2024

本文提出了一种上下文感知的主动学习策略，并开发了一个多层传感器边缘云平台，以捕获生理信号并即时处理，以及收集标签并重新训练检测模型。结果表明，所提出的上下文感知主动学习技术相对于基于随机策略和传统主动学习策略，在使用者查询方面分别减少 88％和 32％，同时达到理想的检测性能。

Apr, 2023

利用可穿戴生物信号数据开发了一种多模式个性化应激预测系统，使用自监督学习模型进行预训练，并在少量注释数据下优于非自监督学习模型。该模型具有个性化的预测能力，可应用于使用复杂多模态数据流进行各种周期性健康事件的个性化预测。

Jul, 2023

该研究提出了一种基于多模态人工智能的框架，以监测一个人的工作行为和压力水平，并发现导致精神紧张和疲劳的个性化独特行为模式，从而检测和分类压力，准确率为 96.09％，可以帮助社区大众，特别是在 COVID-19 当前时间工作久坐人群监测和识别压力水平。

Jun, 2023