XiaoMi-AI文件搜索系统
World File Search Systemphones
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。
智能手机上用于临床检测皮肤癌的新型 AI 算法——一项验证研究
皮肤癌、恶性黑色素瘤 (MM) 和非黑色素瘤皮肤 (NMSC) 的发病率在世界范围内呈上升趋势。欧洲每年报告的 MM 新病例超过 144,000 例，每年导致超过 27,000 人死亡 [1,2]。最常见的 NMSC 是基底细胞癌 (BCC) 和鳞状细胞癌 (SCC)。然而，欧洲 NMSC 的确切数量无法确定，因为并非所有肿瘤都收集在本地数据库中。来自德国的数据显示，2010 年的发病率为 119-145/100.00 [3,4]。BCC 和 SCC 通常预后良好，但也有可能出现局部破坏性生长，在晚期病例中还可能发生转移性疾病。据报道，BCC 的转移率为 0.0029% 至 0.55%，常见部位是区域淋巴结、肺、骨骼、皮肤和肝脏。据报道，专注于 SCC，所有患者中约有 4% 会发生转移，1.5% 死于该疾病 [ 5 – 9 ]。美国皮肤病学会 [ 10 ] 的最新数据估计，NMSC 每年影响超过 300 万美国人，2020 年诊断出 196,060 例新发黑色素瘤病例。尽管过去十年转移性皮肤癌的治疗取得了进展，但死亡率（尤其是 MM 的死亡率）仍然在很大程度上取决于其早期发现 [ 11 – 13 ]。根据 AJCC-8 分类（美国癌症联合委员会），极薄黑色素瘤的 5 年生存率接近 100%，但晚期黑色素瘤的 5 年生存率不到 30%。因此，早期发现皮肤癌对于避免转移性疾病以及高发病率和死亡率至关重要。值得注意的是，医疗保健成本是另一个可能受早期发现影响的重要因素。澳大利亚最近的一项研究显示，转移性黑色素瘤每例每年平均费用为 115.109 澳元；相比之下，早期 0-1 期黑色素瘤的年平均费用约为 1681 澳元[14]。越来越多的证据表明，人工智能是各个医疗领域（如放射学和皮肤病学）的宝贵补充工具[15，16]。新技术工具的出现，特别是卷积神经网络（CNN），使得基于图像的体外各种皮肤病诊断成为可能[17]。多项研究[18-28]调查了CNN在黑色素瘤识别方面的诊断准确性。值得注意的是，目前大多数皮肤癌识别网络已用于高质量图像的分类。然而，在现实情况下，必须考虑到图像质量和图像特征的巨大差异。最近的一项荟萃分析[29]报告了基于智能手机的应用程序性能不可靠；性能最好的应用程序的灵敏度为80%，特异性为78%。
关于移动电话的参考资料（以及在旅行和公共场所使用信息通信技术）
COST269 移动工作组 (Haddon, L., de Gournay, C., Lohan, M., Östlund, B., Palombini, I, Sapio, B., Kilegran, M.) (2001) 从移动到移动性：ICT 和移动性在日常生活中的消费，COST269 报告。可在 http://www.cost269.org/ 上找到，点击“文档”，然后点击“移动性”。Crabtree, A., Nathan, M 和 Roberts, S. (2003) 英国移动。对手机日常使用的民族志调查。第四届无线世界会议论文，“移动革命 - 回顾展”，7 月 17-18 日，萨里大学，吉尔福德。
无敏感的无转移晶片尺度石墨烯麦克风
摘要：在过去的几十年中，微机电麦克风在很大程度上占据了便携式设备的市场，每年都有数十亿美元的生产。因为当前设备的性能接近物理限制，因此进一步的小型化和移动设备的麦克风的改进构成了一个重大挑战，需要突破设备概念，几何形状和材料。石墨烯是一种有吸引力的材料，可通过其灵活性，强度，纳米薄度和高电导率来实现这些突破。在这里，我们证明，直径范围从85-155到300μm的直径为直径的无传递7 nm厚的多层石墨烯（MLGR）膜可用于检测声音，并显示出与92 nm pa-1的机械合规性，因此超过950 nm的92 nm PA-1，因此超过了950 nm的Mems Microphone，均超过了3 nM的3 nM。显示出较大的膜，直径为300μm甚至更高的符合性，尽管产量较低。我们提出了一个在硅晶片上局部生长的石墨烯的过程，并通过散装微加工和牺牲层蚀刻的散装式硅质孔实现悬浮的图案化石墨烯的悬浮膜，因此无需传递。这种无转移方法可在132个制造的鼓上的直径高达155μm的膜产量为100％。可听见范围内机械符合性的设备对设备变化（20 - 20000 Hz）比转移的膜中的设备依从性变化明显小。关键字：石墨烯，麦克风，膜，mem，免费转移，晶圆量表，大量生产■简介在这项工作中，我们展示了一种无转移方法，用于实现与大容量制造兼容的晶圆尺度多层石墨烯。因此，基于聚合物污染，裂纹形成，皱纹，折叠，分层和低压可重复性的基于转移的方法的局限性在很大程度上是规避的，从而在朝着高量产生的石墨烯麦粒镜上的途径上树立了重大步骤。
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。
文章 可穿戴设备、智能手机和可解释人工智能在抗击 COVID-19 中的应用
摘要：心率变异性 (HRV) 和每分钟心跳次数 (BPM) 等生理指标可以作为呼吸道感染的有力健康指标。HRV 和 BPM 可以通过广泛使用的腕戴式生物识别可穿戴设备和智能手机获取。这些指标的连续异常变化可能是 COVID-19 等呼吸道感染的早期迹象。因此，可穿戴设备和智能手机应通过其他上下文数据和人工智能 (AI) 技术支持的早期检测在抗击 COVID-19 中发挥重要作用。在本文中，我们研究了从可穿戴设备和智能手机收集的心脏测量值（即 HRV 和 BPM）在展示 COVID-19 炎症反应早期发作中的作用。AI 框架由两个模块组成：一个可解释的预测模型，用于对 HRV 测量状态进行分类（正常或受炎症影响），以及一个循环神经网络 (RNN)，用于分析用户的日常状态（即移动应用程序中的文本日志）。两种分类决策都整合在一起，以生成最终决策，即“可能感染 COVID-19”或“没有明显的感染迹象”。我们使用了一个公开可用的数据集，其中包括 186 名患者，拥有超过 3200 个 HRV 读数和大量用户文本日志。该方法的首次评估显示，在使用局部可解释的模型不可知解释 (LIME) 的模型解释支持下，在症状出现前两天预测感染的准确率为 83.34 ± 1.68%，准确率、召回率和 F1 分数分别为 0.91、0.88、0.89。
麦克风、微型扬声器和音频处理
瑞声科技、AKM、络达、阿里巴巴、晶晨科技、Ambiq Micro、AMS AG、Analog Devices、苹果、日月光、Audience、Audiopixels、艾为电子、BES Technic、Bluetrum、博通、博世传感器技术、BSE、CEVA、Cirrus Logic、赛普拉斯、Diodes Incorporated、DSP Group、EPiCMEMS、Gettop、歌尔微、歌尔股份、谷歌、Harman、海思、Hosiden、HTC、华为、英飞凌、英特尔、InvenSense、捷力科技、楼氏电子、美信集成、联发科、MEMSensing、Merus Audio、Merry Electronics、微软、摩托罗拉、NeoMEMS、NJRC、诺基亚、恩智浦、欧姆龙、Oppo、Partron、高通、瑞昱、立锜科技、罗姆半导体、三星、SensiBel、Silicon Mitus、索尼、Sonic Edge、Sonion、意法半导体、Synaptics、TDK-Invensense、德州仪器、台积电、UniSoc、USound、Vesper、XFab、小米、xMEMS、xMOS、雅马哈、Zilltek 等
用于医疗应用的电容性mems麦克风
麦克风根据MEMS技术制造，由于其微型尺寸，由于温度变化而导致低能消耗，因此发现了新的应用（微电动机械系统）。在物联网技术传播之后，微型高效MEMS麦克风对医疗设备的需求增加了[1]。对人体特征的持续监测al-lows在早期阶段检测健康问题并找到及时的医疗治疗。例如，第[2]介绍了血压与第二心脏声音S2之间相关性的研究结果。可以通过测量音调心脏的声音来检查血压。但是，大多数MEMS微型型可以彻底处理声频范围（20-20000 Hz）。此外，血压脉冲频率构成1.5–2.1 Hz [3]。因此，开发可具有1到20 Hz的适当电特性的低频MEMS麦克风已成为一项关键任务。
智能手机PMIC比较2021-样本
本报告研究了最近智能手机中使用的PMIC，这是整个消费者PMIC市场的主要因素。具体来说，本报告重点介绍了高端和豪华智能手机中使用的PMIC，其中包括以下玩家的20多种产品：Apple，对话半导体，Stmicroelectronics，Samiconductor-Fairchild，SamsiConductor-Fairchild，Samsung，Qualcomm，Qualcomm，Qualcomm，Maxim，Maxim Integrated，Hisilicon，Intel，Intel和Mediatek。本报告还强调了智能手机，供应链中PMIC的趋势以及每种技术的成本优势。还提供了每个PMIC的详细分析，包括包装，横截面的高分辨率图像和技术识别。成本分析提供了每个PMIC晶圆和模具成本的估计，以及包括各种制造商的不同PMIC的比较，涵盖技术，晶圆尺寸和晶圆成本。样本