通过 deep Temporal Convolutional Networks 工具和硬件友好型量化器，我们提出了一种设计空间探索方法，用于自动生成一组适用于可穿戴设备的高精度、极轻量级的计算模型，以便实现心率监测。

Mar, 2022

该研究提出了一种协作推理方法，旨在通过智能手表与智能手机之间的合作来最大化心率追踪的性能，并在维持低的均方误差 (MAE) 的同时降低能耗。

Jun, 2023

每日监测的紧迫性与重要性日益凸显，本研究提出了一种利用生理信号和环境信息的实时监测系统来追踪和预测每日压力水平的方法，并通过集成智能标签方法来优化压力检测的机器学习模型。实验结果显示，利用脉搏波图和环境信息结合的随机森林分类器，F1 得分可达到 70%，较仅使用脉搏波图的 56% 得分更为显著。

Dec, 2023

可见光相机能够捕捉到微妙的生理生物标志物，无需与被试物理接触。我们提出了多站点生理监测（MSPM）数据集，这是第一个支持从人体多个位置同时基于相机进行重要生命体征估计的数据集。MSPM 允许研究远程光电容抗图，呼吸频率和脉冲传递时间（PTT）；它包含使用接触传感器进行脉搏氧合指数（在多个体部位）和血压的地面真值测量。我们提供了详尽的实验证明 MSPM 适用于支持 rPPG，呼吸频率和 PTT 的研究。交叉数据集 rPPG 实验表明 MSPM 是一个具有挑战性但高质量的数据集，在某些情况下，数据集内部心率平均绝对误差为 4 次 / 分钟以下，跨数据集心率平均绝对误差为 2 次 / 分钟以下。呼吸实验通过从胸部提取动作特征找到 1.09 次 / 分钟的平均绝对误差。 PTT 实验发现，在不同体部位的配对中，远程 PTT 与接触测量的 PTT 之间存在高相关性，这为未来基于相机的 PTT 研究提供了可能性。

Feb, 2024

该研究提出了一种创新、可扩展且稳健的智能营养不良监测系统，通过对个体的全身图像进行多模态学习，在重建精确度极高的三维点云的基础上，通过 512 维特征嵌入和可学习参数的应用，精确估计身高和体重，并计算基础代谢率、体脂百分比和体质指数以进行全面的健康分析，从而为个体提供个性化的营养计划。

Jul, 2023

提出了一种结合多模态数据的新型多模态学习框架，旨在提高潜在情绪识别准确度，包括一维可分离和可混合的深度入手网络、标准化的正态分布加权特征融合方法以及深度 / 生理引导的注意力模块。实验结果表明，该方法优于基准方法，其中加权融合方法和引导注意力模块都对性能提升起到了贡献。

Aug, 2023

本文提出了 MM-Fi，这是第一个多模态、非侵入式的 4D 人员数据集，通过利用 LiDAR、毫米波雷达和 WiFi 信号等技术，来桥接无线感知和高级人员任务，支持人体姿态估计和动作识别等潜在感知任务。

May, 2023

本文提出了一种更为有效的 M2L 学习框架来减少传感器数量，并利用多种模式的补充信息，通过设计模型来加强模式之间的协作，以便更好地表征每种模式，以提高诊断性能。实验结果表明，该框架可以获得与使用全部模式时类似的性能。

Feb, 2022

本文提出了一种隐私保护的个性化健身推荐系统，通过多层深度学习框架学习从可穿戴 IOT 设备收集的真实健身数据中提取的重要特征，推导出智能健身建议，并实现个性化推荐，而无需明确收集用户身份或生物特征信息，如姓名，年龄，身高，体重，同时相比于现有研究，不需要收集和使用用户的敏感信息，从而保护用户的隐私。

Mar, 2022

研究通过一种基于领域知识的稀疏自注意力模型，对缺失的步数数据进行填补，以衡量该模型相对于基准模型的性能并进行消融研究。

Jun, 2024