远程健康监测应用中的多目标特征选择
本论文提出了一种交叉验证的特征分离策略,以获得与非生理特征分离的生理特征,并使用提取出的生理特征进行多任务生理测量,该方法在多个公共数据集上进行了综合实验,表现出了较好的鲁棒性。
Jul, 2020
该研究提出了一种使用深度学习的移动端终端对生理征候进行端到端的估计的新方法,其对信号进行卷积计算,无需使用传统预处理方法,且具有更低的计算复杂度和过拟合的机会,提供了一个公共数据集,实验证明其具有最先进的估计精度。
Apr, 2022
利用全球最大的公开医疗数据库中的呼吸声音,结合经验模式分解和谱分析等方法,训练多个机器学习模型对不同健康状况进行分类诊断,从而大大提高辅助和远程诊断能力。
Sep, 2023
室内人员监测系统利用各种传感器,包括摄像头、无线电设备和惯性测量单元,从用户和环境中收集大量数据。我们在这篇论文中详细介绍了一种针对室内人员监测系统的多模态方法的综合调查,重点关注其在老年护理方面的相关性。我们特别强调非接触技术在室内人员监测系统开发中的重要作用,特别是摄像头和无线电设备作为关键组件。我们探讨了从多模态数据源中提取特征的成熟技术,并研究了将这些特征融合和利用多种模态改善机器学习模型的准确性和鲁棒性的方法。此外,我们进行了不同数据模态在各种人员监测任务中的比较分析,并对现有多模态数据集进行了全面检查。这个广泛的调查不仅强调了室内人员监测系统的重要性,还确认了它们的多样化应用。特别是我们强调了它们在提高老年护理质量方面的关键作用,为满足老龄人口需求的非接触监测解决方案的开发提供了宝贵的见解。
Dec, 2023
本文使用卷积神经网络的方法从智能手表上获取的心率数据中提取呼吸率,通过与现有方法的比较,结果显示我们的方法优于其他方法,并且估计与参考的呼吸率值之间具有更高的一致性。
Jan, 2024
通过多个低秩专家的混合模型和新型路由机制,设计了一种适应于多任务远程生理测量的模型(PhysMLE),并引入了生理学中的先验知识以克服实际多任务生理测量中标签空间不平衡的问题。运用提出的多源语序域泛化(MSSDG)协议进行了充分的实验和评估,证明了PhysMLE的有效性和效率。
May, 2024
通过mmWave雷达和RGB-D相机等多模态数据集,提出了Oulu Multi Sensing (OMuSense-23)数据集,其中涵盖了来自50个人以三个不同姿势(站立、坐着、躺下)和四种特定呼吸模式活动(正常呼吸、阅读、引导呼吸和呼吸暂停)的生物信号数据,包括典型情况和危急情况,并成功实现了87%的姿势识别准确率和83%的呼吸模式活动识别准确率。该数据集对于其他领域的研究人员和实践者具有公共资源的作用。
May, 2024
本研究解决了心肺疾病早期筛查的不足,提出了一种基于智能手机惯性测量单元(IMU)和深度学习的创新方法。通过收集不同身体区域的呼吸动力学数据,研究显示双向长短期记忆网络(Bi-LSTM)在特征编码方面优于其他模型,平均准确率达80.2%,为在家中使用智能手机进行心肺疾病筛查提供了有力支持。
Aug, 2024