应用机器学习算法检测生理疲劳的全面研究，旨在评估不同算法在基于脑电图数据预测个体疲劳水平方面的有效性。

Jan, 2024

本文研究热成像在面部情感识别上相对于 RGB 成像的独特性，并探讨它在计算机视觉和人工智能领域的潜在用途。但是，采用热成像作为任何人类中心的 AI 任务的数据源并不容易，需要迎合多重人口数据的高保真数据来源，并进行彻底的验证，有限集合是使用该技术的限制之一，并提出了数据收集和开发的局限性。

Sep, 2020

本文针对 Metaverse 背景下，多肌肉协调、日常锻炼中的疲劳评估问题，提出一种基于肌肉补偿特征和脊髓模块激活变化的新型疲劳特征提取方法，结合贝叶斯高斯过程模型进行连续疲劳估计，并使用遵循生理学原则的度量方法来评估性能，实验结果表明该方法有效性更佳。

Mar, 2023

该论文综合分析了当前使用脑电图（EEG）来监测生理疲劳的现状。

Jan, 2024

本文综述了心理疲劳的理论模型、关键的技术手段和最新的人类疲劳生物传感技术，发现 EEG 传感器能够提供对疲劳检测的中等到良好的灵敏度，并讨论了可穿戴 EEG 以及环境传感器相互融合在实时监测方面的关键性作用和未来的发展方向。

Jul, 2023

本文提出了一种基于视频 Transformer 的方法，从面部视频中估计瞬时心率和呼吸率，并在大规模 Vision-for-Vitals 基准测试中取得优异表现，尤其在瞬时呼吸率估计方面超越了基于浅层和深度学习的方法。

Feb, 2022

引入一种新颖的方法，结合了微分几何、核平滑和谱分析，以量化面部肌肉活动，用于广泛可访问的视频录制，如个人智能手机。该方法强调实用性和可访问性，具有在国家安全和整形外科领域的潜在应用。此外，它还提供了中风、贝尔氏麻痹和听神经瘤等疾病的远程诊断和监测，并且能够准确识别和分类从明显到微妙的情绪。所提出的面部肌肉分析技术是对深度学习方法的可解释性替代和面部肌肉电图（fEMG）的非侵入性替代。

Jan, 2024

ThermaStrain 是一种创新的共学习框架，通过将可穿戴的电皮肤活动（EDA）传感器与非接触的热量模态进行知识转移，从而在压力预测中实现高性能。该研究收集了包含各种压力条件和距离的热量视频和 EDA 数据的全面数据集。ThermaStrain 在二进制压力分类方面达到了 0.8293 的 F1 得分，优于仅使用热量的基准方法超过 9%。广泛的评估突出了 ThermaStrain 在识别压力相关属性、距离和压力场景的适应性、边缘平台上的实时可执行性、多个个体感知的适用性、在有限可见性和陌生条件下发挥作用的能力以及其共学习方法的优势。

Oct, 2023

通过使用来自红外图像的热图像，利用人脸的重要区域进行面部标志跟踪，忽略了光照和阴影，但显示了主体的温度，通过特定位置上的热量波动反映生理变化，如血液流动和出汗，用于远程判断焦虑和兴奋。本研究进一步尝试了各种模型，包括残差连接、通道和特征关注以及网络组件的并行运作，最佳模型整合了卷积和残差层以及通道自注意层，只需要不到 100,000 个参数。

Nov, 2023

本文提出了一种新的生成对抗网络叫 VTF-GAN，它能够通过学习人脸的空域和频域特征，实现从可见光图像到红外热成像图像的高质量转换。实验结果表明，相对于其他对比算法，VTF-GAN 具有更高的质量和真实感。

Feb, 2023