本文介绍了一种基于视觉变换器模型的端到端面部行为分析实时检测方法，评估了两种视觉变换器模型（ViT 和 SWIN）在 Pain-ICU 数据集上的 AU 检测能力，并证明了 SWIN transformer Base variant 可以实现 0.88 F1-score 和 0.85 准确度的 AU 检测。

Nov, 2022

本文介绍了我们开发的具有智能化监测和视觉评估功能的 Intelligent Intensive Care Unit (I2CU) 系统结构，该系统使用感知和数据处理，从多个模式收集数据，包括深度图像、颜色 RGB 图像、加速度计、肌电图、声压和光强度，用于连续和细粒度的重症监护和评估。

Mar, 2023

利用计算机视觉系统监测重症监护病房患者的可行性和潜力。

Mar, 2024

通过结合可穿戴传感器数据和电子健康记录，利用人工智能技术开发的新的病情评估得分模型可以成功区分危重病患者的稳定和不稳定状态。

Nov, 2023

使用 Multiscale Vision Transformer（MViTv2）来 passively 预测 Intensive Care Unit（ICU）中的 Nursing Activities Score（NAS），以自动监控员工工作量。通过分析低分辨率的热成像视频记录，MViTv2 模型以直接和间接的方式预测 NAS，并在预测 NAS 方面表现出较高的准确性。

May, 2024

为了减少重症监护室中的假警报，采用一种新的多任务网络结构，利用远程监督的方法通过多个相关辅助任务来降低训练所需标签的数量，并证明我们的方法在实际数据集上优于多种现有工作。

Feb, 2018

在重症监护室（ICU）中，多元时间序列的丰富性为机器学习提供了改进患者表型刻画的机会。与以往主要关注电子健康记录（EHR）的研究不同，本文提出了一种使用常规收集的生理时间序列数据进行表型刻画的机器学习方法。我们的新算法将长短期记忆（LSTM）网络与协同过滤的概念相结合，识别出患者之间共同的生理状态。在实际世界的 ICU 临床数据中测试，我们的方法在脑损伤患者颅内高压（IH）检测方面取得了 0.889 的曲线下面积（AUC）和 0.725 的平均精度（AP）。此外，我们的算法在学习生理信号的结构化潜在表示方面优于自编码器。这些发现突显了我们方法在利用常规多元时间序列改善临床护理实践的患者表型刻画方面的巨大潜力。

Feb, 2024

在重症监护室内，包括临床测量和临床笔记在内的丰富患者数据可供利用，但其分析也面临许多挑战。本研究提出了一种新颖的方法，利用自我监督预训练来解决深度学习模型在重症监护中的标注数据不足问题，并在数据有限的情况下，在院内死亡预测和表型预测等下游任务中优于基线模型，突显其提升重症监护室数据分析能力。

Dec, 2023

通过 APRICOT 模型基于 Transformer 的神经网络可以实时预测 ICU 患者的病情，包括预测生命维持疗法的需求，为临床医生提供及时干预的重要信息。

Nov, 2023

本文提出了一种因果推理框架，用于主体不变的面部动作单元（AU）识别，通过结构因果模型表达面部图像、主体、潜在 AU 语义关系和估计的 AU 出现概率之间的因果关系，采用插件因果干预模块（CIS）插入因果图，以消除干扰因素 Subject，实验结果表明 CISNet 可以达到最先进的性能水平。

Apr, 2022