XiaoMi-AI文件搜索系统
World File Search System智能手机
智能手机交互方式对传统和自动驾驶汽车驾驶性能的影响
研究 MTI 致力于为各级政府和私营部门提供政策导向研究，以促进最佳地面交通系统的发展。研究领域包括：自行车和行人问题；为公共和私营部门的交通改善提供资金；多式联运连通性和一体化；交通系统的安全性和保障性；交通系统的可持续性；交通/土地使用/环境；交通规划和政策制定。认证研究员负责研究。认证需要高级学位，通常是博士学位，有学术出版物记录和专业参考资料。研究项目最终会以同行评审的出版物形式发表，可在 MTI 网站 TransWeb 上找到（http://transweb.sjsu.edu）。
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%。
开发基于智能手机的“脑健康检查AI”和“脑健康训练AI”
（https://www.docomo.ne.jp/corporate/technology/rd/openhouse/openhouse2023/）
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
智能手机使用效果对睡眠质量
抽象智能手机已成为人们日常生活中不可或缺的一部分。智能手机均在所有家庭住所中使用，包括晚上在床上。智能手机屏幕和其他显示器发射蓝光，暴露于蓝光会影响一个人的睡眠质量。因此，就寝前使用智能手机可能会破坏一个人睡眠的质量，但是研究缺乏有关智能手机使用如何影响睡眠的定量研究。本研究结合了智能手机的应用程序，使用了75名参与者的数据以及可穿戴环收集的睡眠数据。平均而言，参与者在床上使用智能手机322.8 s（5分钟和22.8 s），IQR为43.7–456。参与者平均使用智能手机（IQR为5.87–55.5％）在床上花费42％的时间。我们的发现表明，智能手机在床上使用对睡眠潜伏期，清醒时间，平均心率和人力资源变异性产生重大不利影响。我们还发现，智能手机的使用不会降低床外使用时的睡眠质量。我们的结果表明，仅使用强烈的智能手机就不会对幸福感产生负面影响。由于所有智能手机用户都没有以相同的方式使用手机，因此将调查扩展到不同的智能手机使用类型可能会产生更多的信息，而不是通用智能手机的使用。总而言之，本文介绍了对智能手机应用程序使用日志和详细睡眠指标之间关联的首次研究。我们的工作还验证了先前的研究结果，并突出了新兴的未来工作。
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。
Android智能手机单点定位的开源优化方法
摘要如今，芯片规模的全球导航卫星系统（GNSS）接收器在智能手机中无处不在。在智能手机GNSS接收器中，实施最小的（LS）或Kalman滤波器（KF）以估算位置。旨在提高智能手机GNSS位置精度，我们建议使用比传统方法（即LS和KF）更多的历史信息进行平滑的方法。更多的过去状态被视为未知数，并且构建了成本函数以优化这些状态。使用Google的开源智能手机数据集用于测试提出的方法。实验结果表明，所提出的方法在位置误差中的其他常规方法优于其他常规方法。此外，我们打开源代码。我们期望在智能手机GNSS位置平滑应用程序中实现的优化方法可以是一个说明性的示例，可以清楚地引入这种优化方法和其实现的参考，这可能会激发GNSS中其他一些有意义且令人兴奋的应用程序。