XiaoMi-AI文件搜索系统
World File Search System活动识别
建立长期人类 - 肉体关系囊性纤维化中体育活动识别的机器学习方法
摘要这项研究旨在开发和验证机器学习模型，以预测不同加速度计量的品牌和位置范围内囊性纤维化（CF）的儿童和青少年的强度。患有CF（11.6±2.8岁； 15个女孩）和28名健康青年（12.2±2.7岁； 16岁的女孩）的三十五名儿童和青少年进行了六项活动，而佩戴了基因作用（手腕）和Actigraphs GT9X（手腕和腰围）。使用三个监督的学习分类器（K-Nearest邻居，随机森林和极端梯度增强的决策树）来识别每种PA类型和强度的输入信号模式，并使用10倍的交叉验证来评估分类器的性能。Actigraph GT9X在主要手腕上，腰部和遗传性手腕上的遗传性无法预测剧烈的强度PA活性。所有其他用于活动类型和强度的模型都超过97％的精度，敏感性和特异性大于95％，而不论加速度计品牌，位置或健康状况如何。
转移具有深层生成域适应性新可穿戴传感器的活动识别模型
多巴胺是体内重要的神经递质，与许多神经退行性疾病密切相关。因此，多巴胺的检测对于诊断和治疗疾病，筛查药物以及相关致病机制的解散至关重要。然而，体内多巴胺的低浓度和基质的复杂性使多巴胺具有挑战性的准确检测。在此，电化学传感器是基于三维PT纳米线，二维MXENE纳米片和三维多孔碳组成的三元纳米复合材料构建的。PT纳米线由于丰富的晶界和高度不足的原子而表现出极好的催化活性。 MXENE纳米片不仅促进了PT纳米线的生长，而且还提高了电导率和亲水性。多孔碳有助于诱导多巴胺在电极表面上的显着吸附。在电化学测试中，三元纳米复合材料的传感器可实现多巴胺（S/n = 3）的超敏感检测，其检测低（LOD）为28 nm，令人满意的选择性和出色的稳定性。此外，该传感器可用于在血清中检测多巴胺，并原位监测从PC12细胞中释放多巴胺。可以利用这种高度敏感的纳米复合材料传感器来原位监测细胞水平的重要神经递质，这对于相关的药物筛查和机械研究具有重要意义。
微型机器学习竞赛
1. 简介 IEEE COINS 的 Tiny ML 竞赛是一项具有挑战性的、持续数月的研究和开发竞赛，专注于人工智能、嵌入式系统和物联网领域的高级现实问题。它向全球的多人团队开放。今年的比赛重点是人类活动识别。人类活动识别是一种常见的机器学习任务，广泛应用于多个领域。这项技术使用来自各种传感器的数据来帮助监测健康状况、识别异常的人类活动以进行监视、跟踪健身锻炼等等。当然，实现复杂的人类活动识别存在各种挑战。为了在可穿戴设备等低功耗设备上达到所需的精度，嵌入式工程师必须找到在内存和处理能力有限的平台上运行机器学习模型的方法。因此，专家需要设计具有适合内存受限设备上拟议的机器学习任务的大小-精度比的神经网络。
CSE 598：机器人学中的感知
课程目标和预期的学习成果，该研究生课程向学生介绍了计算机视野，其广泛的目标是创建用于处理视觉信号（图像，视频等）的算法和系统用于低级，中级和高级感知任务。本课程介绍了从了解针孔相机的成像过程开始的广泛的原理和技术，了解镜头，镜头，梯度和边缘，3D结构估计，运动估计，运动估算，对感知任务，例如形状识别，表面识别，面部识别，活动识别，活动识别，现场识别和场景。班级将是课堂讲座和讨论以及个人和小组项目的混合。
使用机器学习算法的图像和视频分析
主题2：使用深层神经网络人口趋势的人类跌倒检测使一对一的个人护理越来越不可持续。护理资助者正在寻找针对护理危机的成本有效解决方案。目前有床传感器，椅子占用和缺勤者，紧急和移动警报，手镯，但是这些依赖于客户激活它们或记住佩戴/激活它们。突然跌倒，无意识或不动的可能是不可能的。该项目旨在调查如何使用深层的神经网络技术来检测视频中的人类跌倒，进行危险的人类活动识别，并迅速确定由于崩溃/跌倒而迅速识别出危险的脆弱客户。该项目在于人类活动识别领域，但重点是在国内环境下进行秋季检测。主题3：将深度学习应用于单个粒子光散射模式的分类
rehsense：通过射频能量收获
已经提出了不同的基于Wi-Fi的无线应用程序，从日常活动识别到生命体征监测。尽管具有显着的感知精度，但高能量的吸引力和对定制硬件修改的需求阻碍了现有传感解决方案的广泛部署。在本文中，我们提出了基于射频（RF）能量收集的节能无线传感解决方案Rehsense。不是依靠渴望耗电的Wi-Fi接收器，而是利用RF能量收割机作为传感器，并利用从环境Wi-Fi信号收获的电压信号来同时进行上下文感测和能量收获。我们使用商业货架（COTS）RF Energy Harvester设计和实施Rehsense。对三个细粒无线传感任务的广泛评估（即，呼吸监测，人类活动识别和手势识别）表明，Rehsense可以通过传统的基于Wi-Fi-fi-fi-fi-fi-dive的溶液实现可比的感测精度，同时适应不同的感应环境，从而减少传感的功耗。7％，最多收获4。RF能量的5 MW电源。RF能量的5 MW电源。
raheb hassan
•与计算机视觉，面部识别，多对象跟踪，活动识别•设计了一个集成了来自相机和传感器的实时监视数据的系统，以生成长期的个人行为统计模型。•优化的ML管道使用NVIDIA DEEPSTREAM在资源约束环境上工作•在云中缩放分布式ML视频处理系统（AWS，Oracle Cloud）
表示不规则采样的时间序列，具有分类和转移学习的生成语言模型
摘要。人类活动识别在包括医疗保健和智能家居在内的各个领域都起着至关重要的作用。随着配备环境传感器的智能房屋的越来越多，人们对利用人工智能技术的兴趣越来越兴趣，以理解和认识到这些环境中的人类活动。但是，环境传感器收集的数据的规则和嘈杂性质提出了独特的挑战。为了应对这些挑战，我们建议使用接受传感器激活序列训练的预训练的嵌入式嵌入，通常是基于类似于GPT的架构的算法，以证明在智能家庭中日常生活的分类表现。此外，我们利用从一个环境中获得的知识来增强另一个环境的活动识别，研究转移学习的概念。结果表明，GPT变压器解码器的方法在多个数据集的精度和平衡精度方面优于其他算法。这些发现还突出了转移学习的潜力，从干净且大的数据集中，GPT跨解码器预先训练的嵌入在各种情况下显示出令人鼓舞的结果。