XiaoMi-AI文件搜索系统
World File Search SystemSmartphone
智能手机的面部解锁背后的技术-IJRPR
智能手机中的Face解锁技术近年来变得越来越流行，作为一种访问设备的安全方式。该技术利用各种传感器和算法来创建一个唯一的面部配置文件，可用于验证用户并解锁设备。该技术通过使用前置摄像头捕获用户脸的图像来起作用。然后通过识别面部关键特征的软件（例如眼睛之间的距离，下巴的形状以及鼻子和嘴的轮廓之间的距离）对此图像进行分析。然后使用这些功能来创建存储在设备上的唯一面部轮廓。当用户尝试解锁手机时，将激活前置摄像头并捕获其脸部的另一个图像。该软件将此图像与存储的面部轮廓进行比较，如果有匹配，则将设备解锁。
对智能手机安全可用用户身份验证的定量风险估计方法的调查
摘要：移动用户身份验证是第一线防御线，在声称的移动用户身份中确立信心，通常是允许在移动设备中访问资源的先决条件。nist指出，密码方案和/或生物识别技术包括移动设备的最传统的用户身份验证机制。尽管如此，最近的研究指出，如今基于密码的用户身份验证在安全性和可用性方面施加了一些限制。因此，对于移动用户而言，它不再被认为是安全和方便的。这些限制强调了开发和实施更安全和可用的用户身份验证方法的需求。另外，基于生物识别的用户身份验证已成为提高移动安全性而无需牺牲可用性的有希望的解决方案。此类别涵盖了利用人类身体特征（生理生物识别技术）或无意识行为（行为生物识别）的方法。尤其是基于风险的连续用户身份验证，依靠行为生物识别技术，似乎有可能在不牺牲可用性的情况下提高身份验证的可靠性。在这种情况下，我们首先介绍基于风险的连续用户身份验证，依赖于移动设备上的行为生物识别技术。此外，我们介绍了文献中现有的定量风险估计方法（QREA）的广泛概述。我们的主要发现在手稿末尾的表中总结了。我们不仅是针对移动设备上的基于风险的用户身份验证，还针对其他安全应用程序，例如Web/Cloud Services中的用户身份验证，入侵检测系统等，这些应用程序可能在基于风险的智能手机的连续用户身份验证解决方案中被采用。这项研究的目标是为研究和开发适当的定量风险估计方法组织研究工作的基础，以开发基于风险的智能手机连续用户身份验证解决方案。审查的定量风险估计方法已分为以下五个主要类别：（i）概率方法，（ii）基于机器学习的方法，（iii）模糊逻辑模型，（iv）基于非图形的模型，以及（v）Monte Carlo Simulation模型。
Glucoscreen：一种基于智能手机的无读取器葡萄糖测试条筛查
血糖测量通常用于筛查和监测糖尿病，这是一种慢性疾病，其特征是无法有效调节血糖，从而导致心脏病，视力丧失和肾衰竭。早期发现糖尿病前期可能会阻止或扭转更严重的疾病。当前的糖尿病筛查方法需要访问医疗机构，并使用非处方葡萄糖测试装置（葡萄糖仪），这两种设备在许多人群中都是昂贵或无法访问的，从而减少了早期疾病检测的机会。因此，我们开发了Glucoscreen，这是一种无读取器的葡萄糖测试条，可实现负担得起的，一次性的，宿舍的葡萄糖测试，利用用户的触摸屏手机来读取和显示结果。通过将最小的低成本电子产品与市售的血糖测试条相结合，葡萄糖蛋白原型引入了一种新型的低成本，无电池的葡萄糖测试工具，可与任何智能手机一起使用，以证明需要购买单独的专用读取器。我们的关键创新是使用手机的电容式触摸屏来读取最小化的市售葡萄糖测试条。在通过人造葡萄糖溶液的体外评估中，我们用五个不同的手机测试了葡萄糖，并将发现与两个常见的葡萄糖仪（Accuchek和True Metrix）进行了比较。在对75例患者的临床研究中，Glucoscreen的MAE为10.47 mg/dL，而Accuchek糖仪的MAE为9.88 mg/dl MAE。我们的葡萄糖原型的平均绝对误差（MAE）为4.52 mg/dL（Accu-Chek测试条）和3.7 mg/dl（TRUE Metrix测试条），相比之下，Accuchek Glucometer和True Metrix Gloucometer分别为4.98 mg/dl和4.98 mg/dl和5.44 mg/dl。这些结果表明，血糖的性能与常见的非处方血糖测试装置相当。有了进一步的开发和验证，Glucoscreen具有促进大规模和较低成本糖尿病筛查的潜力。这项工作采用Glucoscreen的基于智能手机的技术进行葡萄糖测试，但可以扩展以在将来构建其他无读者的电化学测定法。
智能手机应用程序的有效性和可靠性...
摘要背景：随着人口老龄化，慢性伤口也随之增加，给卫生系统带来了负担。准确记录和持续测量伤口变得至关重要。研究目的：确定智能手机应用程序在测量下肢慢性伤口表面积方面的有效性和可靠性 (VAR)。患者和方法：2022 年 3 月至 2022 年 8 月，从开罗大学医院选出 61 名（46 名男性和 15 名女性）患有下肢慢性伤口的患者，年龄在 40 至 70 岁之间。通过手动平面测量法和智能手机应用程序（瑞士 Imito AG）对患者进行评估。首席研究员和共同研究员使用 Imito-measure 应用程序进行了两次伤口评估，以测试评分者间信度 (Inter-RR)、评分者内信度 (Intra-RR) 和效度。通过确定智能手机应用程序和度量图表之间的相关性（Pearson 积差相关系数）来调查并发效度。类内 RR 和类间 RR 以类内相关系数 (ICC) 表示。结果：Imito-measure 应用程序的效度、类内 RR 和类间 RR 均极佳，具有很强的正显著相关性 (r = 0.998, p = 0.001)，ICC 为 0.999，95% CI 为 0.998-0.999，测量标准 (SEM) 为 1.83；测量伤口表面积的 ICC 为 0.999，95% CI 为 0.998-0.999，SEM 为 1.85。结论：Imito-measure 应用程序在伤口测量方面表现出色，可以作为临床实践中的评估工具。关键词：慢性伤口，伤口评估，智能手机应用程序，有效性，可靠性。介绍
人工智能智能手机应用程序的危险信号
在同意使用您的数据时，请确保您了解您同意的内容。应用程序开发人员应该非常清楚他们计划如何使用您的个人数据，包括您提交的图片。一些应用程序将使用用户提交的个人和/或医疗信息以及皮肤图片来进一步开发他们的人工智能算法。这可能意味着当信息被一起分析时，它不再是真正匿名的。像这样的进一步分析被视为研究，需要监管机构的正式伦理批准，并应明确显示。您还可能为改进商业产品做出贡献，从而提高其价值，但没有任何回报。如果您不清楚您的数据是如何使用的，最好不要提供它。
基于移动智能手机的数字瞳孔测量曲线在创伤性脑损伤诊断中的应用
的严重 TBI 患者未得到充分分诊并被送往非创伤医院（Capone-Neto 和 Rizoli，2009 年；Carrick 等人，2021 年）。这种分诊不足模式导致美国 TBI 患者的超额死亡率为 25%（Chesnut 等人，1993 年；Capone-Neto 和 Rizoli，2009 年；Chen 等人，2011 年；Cheng 等人，2017 年；Carrick 等人，2021 年）。在世界 85% 的人口居住的中低收入国家，超额死亡率可能更高，严重 TBI 后的死亡率会翻倍（Couret 等人，2016 年；Alali 等人，2018 年；Dagain 等人，2018 年；Dewan 等人，2018a 年）。在现场进行初步创伤调查本质上非常复杂，特别是在涉及头部和颈部受伤的病例中（Alali 等人，2018 年）。一种完善的 TBI 生物标志物是瞳孔对光反射 (PLR)。瞳孔对闪光的反射性收缩直接反映了中枢神经系统的功能状态 (Dewan 等人，2018b；GBD，2019；Gurney 等人，2020)。PLR 可指示颅内压升高，这是 TBI 的更严重后果 (Haas 等人，2010)，并且即使在脑震荡 (Hall and Chilcott，2018) 和轻度 TBI (Helmick 等人，2015) 中也显示出异常。 PLR 是 TBI 最重要的早期指标之一（Hernández-Sierra 等人，2021 年），最简单、最常见的 PLR 评估方法是传统的笔电检查（也称为手动瞳孔测量法），其中使用手持光源引起瞳孔收缩。然后，检查者用肉眼确定 PLR 的程度和性质。虽然这种方法简单且经济实惠，但缺乏观察者间的信度（GBD，2019 年）。数字瞳孔测量法目前是评估 PLR 的黄金标准（Larson 和 Behrends，2015 年）；然而，这种机器价格昂贵，需要专门的培训才能使用。为了解决当前临床瞳孔测量技术的缺点，我们开发了一款名为 PupilScreen 的移动应用程序（Mariakakis 等人，2017 年；图 1）。 PupilScreen 是一款机器学习驱动的应用程序，依赖于计算机视觉神经网络算法，旨在在智能手机平台上进行瞳孔测量，以提供一种比手动瞳孔测量更准确、更可靠的 PLR 评估方法，同时比数字瞳孔测量更容易使用。虽然之前发表的一项研究证明了该应用程序在评估 PLR 方面的准确性（Mariakakis 等人，2017 年），但将这些结果呈现给检查者进行解释的最佳方法仍不清楚。本研究的目的是确定从业者是否可以通过查看 PupilScreen 生成的 PLR 曲线来评估 PLR 是否正常，并将这种评估方法与更传统的笔电方法的评分者间信度进行比较。确实存在通过智能手机检测 PLR 的替代方法（Meeker 等人，2005 年；McAnany 等人，2018 年；Master 等人，2020 年），但 PupilScreen 目前在双目测量 PLR 的方法方面是独一无二的。
空间流动的经济学：基于智能手机数据的理论与证据 ∗
∗ 本文吸收并替换了之前以“消费准入和经济活动的空间集中：来自智能手机数据的证据”为标题发表的材料。感谢 Gabriel Ahlfeldt、Milena Almagro、Daniel Sturm、Gabriel Kreindler、Tobias Salz 以及会议和研讨会参与者的有益评论。我们感谢 Takeshi Fukasawa、Peter Defferebach 和 Yun-Ting Yeh 提供的出色研究协助。适用通常的免责声明。 “Konzatsu-Tokei (R)”数据是指在用户同意的情况下，通过 NTT DOCOMO, INC 提供的应用程序（包括地图应用程序 Docomo Chizu NAVI）从手机发送的个人位置信息构建的人流数据。这些数据被集体和统计处理，以隐藏私人信息。原始位置数据是每五分钟（最少）发送一次的 GPS 数据（纬度、经度），不包括指定个人的信息。本文件中提供的所有表格和图表的版权均属于 ZENRIN DataCom CO., LTD。我们还要感谢一桥大学的 Yaichi Aoshima 与 ZENRIN DataCom Co.,. LTD. 协调该项目；村田基金会、平和中岛基金会、鹿岛基金会、大林基金会、JSPS KAKENHI（拨款编号 21H00703）和一桥大学的资金支持；东京大学 CSIS 的联合研究支持（项目编号 954）。† 经济学系，270 Bay State Road，波士顿，马萨诸塞州 02215。电话：1-617-353-5682。电子邮件：miyauchi@bu.edu。‡ 创新研究所，2-1 Naka，国立，东京 186-8603，日本。电话：81-42-580-8417。电子邮件：nakajima.kentaro@gmail.com § 经济学系和 SPIA，JRR 大楼，普林斯顿，新泽西州 08544。电话：1-609-258-4016。电子邮件：red-dings@princeton.edu。
美国陆军工程兵团孟菲斯区智能手机应用程序
孟菲斯区应用程序包含区办公室链接、区信息以及区拥有的社交媒体页面。另一个有价值的功能是“安全第一”工具。此工具允许使用该应用程序的任何人几分钟内直接向区安全办公室报告安全问题。此外，如果愿意，用户可以保持匿名，用户还可以选择附加危险照片。有关如何下载和使用此应用程序工具的步骤，请参阅下面的分步说明。
智能手机人工智能应用调查
摘要：人工智能 (AI) 是机器（尤其是计算机系统）对人类智能过程的模拟，因为人工智能是手机领域最近最重要的发展之一。人工智能能够创造奇迹。它可以在我们的日常生活中执行多项任务。一开始，我们的手机没有任何互联网功能，后来智能手机问世，它有互联网功能，可以执行许多计算机可以执行的任务。那时，手机很智能，但并不智能，因为它们无法识别现实世界的事物。后来，当人工智能发明智能手机时，智能手机世界发生了巨大的变化。人工智能与智能手机设备的结合使手机更加智能。
我们是否应该使用智能手机和可穿戴设备的活动追踪数据来了解人口体力活动模式？
世界各地的研究人员、从业人员和公共卫生组织对使用智能手机和可穿戴活动追踪器等消费级设备的数据来测量体力活动 (PA) 越来越感兴趣。事实上，大规模、易于获取且自主收集有关 PA 以及其他健康行为的数据正变得越来越有吸引力。使用消费级设备收集 PA 数据有几个好处，包括能够回顾性和前瞻性地获取大数据，并了解个人层面的 PA 模式随时间的变化和对自然事件的反应。然而，目前存在与代表性、数据访问和专有算法相关的挑战，这些挑战限制了这些数据在了解人口层面 PA 方面的效用。在这份简短的报告中，我们旨在强调使用智能手机和可穿戴活动追踪器现有数据来了解大规模 PA 模式的好处和局限性，并激发科学界对 PA 测量和监测未来的讨论。