微妙信号：基于视频的婴儿非营养性吮吸的神经发育暗示
本文研究了使用压力传感器将数据编码为算法以用于感知婴儿的细微运动模式。结果证明了压力传感器方案的潜力和准确性，可以在儿科领域大幅提高运动数据的质量和效率。
Jul, 2022
本研究提出了利用近红外视频成像技术，通过肉眼无法察觉的颈动脉脉冲和呼吸运动来测量 HR 和 BR 的低成本方法，并使用模板匹配、PCA 和 HMM 等技术实现数据平滑，结果表明该方法在暗光和明光下，能够实现比 FDA 认定设备更高精度的体征测量，这将推动非接触式生理测量技术在现实环境中的应用。
May, 2018
研究通过不同类型的神经网络对超声波声音进行分类，构建了可全自动分析大型数据集并具有高可靠性的流水线，并在鼠类的自闭症样行为研究中发现了关键差异。
May, 2024
通过融合视频和表格输入来回归多个人类测量估计值，包括体重、长度、头围和胸围，我们提出了一种名为 NurtureNet 的多任务模型，它用于在社区中无接触地进行新生儿人类测量。通过几个实验，我们证明了该模型的有效性，并实现相对误差为 3.9% 和体重估计 114.3 克的平均绝对误差。同时，模型在 15 MB 大小的压缩下也可以离线部署到低成本智能手机上。
May, 2024
通过使用深度学习，本研究从普通视频中估计婴儿的呼吸频率和波形，为婴儿呼吸监测提供自动、连续和非接触性的方法。通过构建 AIRFlowNet 模型并使用公开的婴儿呼吸数据集 (AIR-125) 进行训练和测试，结果表明该方法在呼吸频率估计方面明显优于其他公开模型，平均绝对误差为约 2.9 次 / 分钟，而其他设计用于成人主体和更一致环境的模型的平均绝对误差在约 4.7-6.2 次 / 分钟。
Jul, 2023
本文探讨了自我监督学习（SSL）在分析超过一千名新生儿的临床指示下的呜 cries 数据库方面的应用，其中包括神经损伤的 cry 检测以及疼痛、饥饿和不适的 cry 触发器的识别。通过使用大量的无标签音频数据进行预训练和 SSL 对比损失（SimCLR）进行预训练，我们表明其在神经损伤和 cry 触发器方面都比监督式预训练有更好的表现。此外，我们还通过使用未标记的婴儿 cry 进行基于 SSL 的域自适应，进一步提高了性能，并减少了整个系统所需的标记数据。
May, 2023
本研究提出使用深度学习技术的可穿戴式监测系统，采用无创的 Bellypatch 设备从早产儿的身体上实时采集信号，对呼吸停止等问题进行预测和监测。将传统的 1DCNN 模型转换为基于脉冲神经网络的模型，实现了 93.33% 的准确率和比基础模型低 18 倍的能量消耗。
Feb, 2022
本研究探索了将类脑视觉技术扩展到分析整个面部区域的潜力，以检测疲劳的补充指标 —— 打哈欠行为，并使用新型事件相机技术构建了基于类脑神经元的数据集，从而设计、培训和测试了一个用于检测打哈欠的具有自我关注和循环头的卷积神经网络。
May, 2023