Deep Learning and Its Applications to Machine Health Monitoring: A Survey
自2006年以来，深度学习（DL）已成为一个快速发展的研究方向，重新定义了对象识别、图像分割、语音识别和机器翻译等广泛领域的最新性能。在现代制造系统中，由于低成本传感器的广泛部署及其与互联网的连接，数据驱动的机器健康监测越来越受欢迎。同时，深度学习为处理和分析这些大机械数据提供了有用的工具。本文的主要目的是回顾和总结深度学习在机器健康监测方面的新兴研究工作。在简要介绍了深度学习技术的基础上，主要从以下几个方面综述了深度学习在机器健康监测系统中的应用：自动编码器（AE）及其变体、受限玻尔兹曼机及其变体（包括深度信念网络（DBN）和深度玻尔兹曼机（DBM））、卷积神经网络（CNN）和递归神经网络（RNN）。最后，讨论了基于动态联盟的机器健康监测方法的发展趋势。
2016-12-16 cs.LG stat.ML
FedHome: Cloud-Edge based Personalized Federated Learning for In-Home Health Monitoring
Sun Yat-sen University（中山大学）；Arizona State University（亚利桑那州立大学）
家庭健康监测已经引起了全世界老龄化人口的极大关注。随着物联网（IoT）设备访问的丰富用户健康数据和机器学习的最新发展，智能医疗已经看到了许多成功的故事。然而，现有的家庭健康监测方法没有充分关注用户数据隐私，因此远未准备好进行大规模的实际部署。在本文中，我们提出了FedHome，一种新的基于云边缘的联邦学习框架，用于家庭健康监测，它从网络边缘的多个家庭学习云中的共享全局模型，并通过将用户数据保存在本地来实现数据隐私保护。为了应对用户监测数据中固有的不平衡和非IID分布，我们设计了一个生成式卷积自动编码器（GCAE），其目的是通过使用用户个人数据生成的类平衡数据集来改进模型，从而实现准确和个性化的健康监测。此外，GCAE是轻量级的，可以在云和边缘之间传输，这有助于降低FedHome中联邦学习的通信成本。基于真实人类活动识别数据跟踪的广泛实验证实，FedHome显著优于现有的广泛采用的方法。
2020-12-14 cs.AI cs.DC cs.LG
Predictive Modeling For Real-Time Personalized Health Monitoring in Muscular Dystrophy Management
Dalian Polytechnic University（大连工业大学）；Fujian Medical University（福建医科大学）
本文提出一种基于物联网的肌营养不良症远程多维监测系统，通过实时健康状态预测建模弥补传统方法缺乏可操作数据的不足，以优化治疗策略并增强医患管理信心。
2024-11-22 cs.LG
Green Physics-Informed Machine Learning Models For Structural Health Monitoring
University of Sheffield（谢菲尔德大学）
本文通过绿色视角比较黑盒与灰盒模型，探讨灰盒模型的高外推性能如何降低运行时间和碳排放，提出低计算成本的物理信息模型。
2026-10-30 cs.LG
Safe AI for health and beyond -- Monitoring to transform a health service
本文研究医疗机器学习模型发布后的性能维护问题，提出通过持续监测与更新基础设施应对临床环境变化，并以乳腺癌预后和神经退行性疾病分层两个场景验证。
2023-06-06 cs.AI cs.LG
Differential Private Federated Transfer Learning for Mental Health Monitoring in Everyday Settings: A Case Study on Stress Detection
University of California, Irvine（加利福尼亚大学欧文分校）；School of Nursing, University of California, Irvine（加利福尼亚大学欧文分校护理学院）；Institute for Future Health, University of California, Irvine（加利福尼亚大学欧文分校未来健康研究所）
针对心理健康监测中的隐私泄露与数据不足问题，提出差分隐私联邦迁移学习框架，结合差分隐私与预训练模型，在压力检测案例中实现准确率提升10%、召回率提升21%且保障隐私。
2024-04-29 cs.CR cs.LG
Deep learning for structural health monitoring: An application to heritage structures
由于数值方法、计算机能力和监测技术的最新进展，地震环境噪声提供了有关旧建筑物结构行为的宝贵信息。测量由人类和环境源产生的振动，并将其用于建筑物的动态识别和结构健康监测，开创了一个新兴的跨学科领域，吸引了地震学家，工程师，数学家和计算机科学家。在这项工作中，我们采用最新的深度学习技术进行时间序列预测，以检查和检测在卢卡圣弗雷迪亚诺钟楼进行的长期监测活动期间记录的大型数据集中的异常。我们框架的问题作为一个无监督的异常检测任务和训练时间融合Transformer学习正常的动态结构。然后，我们通过观察预测和观察到的频率之间的差异来检测异常。
2022-11-04 cs.LG eess.SP
Classifier-Free Diffusion-Based Weakly-Supervised Approach for Health Indicator Derivation in Rotating Machines: Advancing Early Fault Detection and Condition Monitoring
Tsinghua University（清华大学）；EPFL（洛桑联邦理工学院）
本文提出一种基于无分类器扩散模型的弱监督方法，利用健康样本和少量异常样本生成健康参考，通过包络谱差异构建异常图并推导可解释的健康指标，在旋转机械早期故障检测与状态监测中表现出优于基线模型的有效性和鲁棒性。
2024-09-03 cs.AI cs.LG eess.SP
Leveraging 3D LiDAR Sensors to Enable Enhanced Urban Safety and Public Health: Pedestrian Monitoring and Abnormal Activity Detection
King Abdullah University of Science and Technology (KAUST)（阿卜杜拉国王科技大学）
该研究提出融合LiDAR与IoT的双模型框架，用改进PV-RCNN做3D检测、PointNet分类行人活动，还通过Blender构建模拟数据集解决数据稀缺问题，助力城市交通管理与公共健康。
2024-04-17 cs.AI cs.CV cs.LG
Private Disclosure of Information in Health Tele-monitoring
University of California, Berkeley（加州大学伯克利分校）
我们提出了一个新的框架，称为私人信息披露（PDI），这是为了防止对手推断某些敏感信息的主题使用的数据，他们在与预期的收件人通信过程中披露。我们展示的情况下，它是可能实现完美的隐私，而不管对手的辅助知识，同时保留充分利用的信息，以预期的收件人，并提供足够的条件，这种情况下。我们还证明了PDI在模拟健康远程监测场景的真实数据集上的适用性。
2015-04-28 cs.AI cs.CR cs.IT
Speech Emotion Recognition using Supervised Deep Recurrent System for Mental Health Monitoring
University of Cincinnati（辛辛那提大学）；University of Florida（佛罗里达大学）；Central Michigan University（中央密歇根大学）；University of Louisiana at Lafayette（路易斯安那大学拉法叶分校）
了解人类行为和监测心理健康对维护社区和社会安全至关重要。由于在COVID-19大流行期间，由于精神健康不受控制，精神健康问题有所增加，因此及早发现精神问题至关重要。如今，智能虚拟个人助理（IVA）的使用在全球范围内不断增加。个人使用他们的声音来控制这些设备以满足请求并获得不同的服务。本文提出了一种基于门控递归神经网络和卷积神经网络的新型深度学习模型，用于从语音中理解人类情感，以改善其IVA服务并监测其心理健康。
2022-10-27 cs.HC cs.LG cs.SD
Dynamic Uncertainty-aware Multimodal Fusion for Outdoor Health Monitoring
Hong Kong JC STEM Lab of Smart City and Department of Computer Science, City University of Hong Kong（香港JC STEM实验室及城市大学计算机科学系）
针对户外健康监测中多模态大语言模型面临的输入与波动噪声、多模态融合不鲁棒及缺失数据恢复难等挑战，提出一种不确定性感知多模态融合框架DUAL-Health，通过量化模态不确定性定制融合权重并对齐模态分布，显著提升了检测准确性与鲁棒性。
2025-08-12 cs.AI cs.LG cs.NI
A Flexible and Intelligent Framework for Remote Health Monitoring Dashboards
UCLA（加州大学洛杉矶分校）
开发和维护监护面板无疑是远程病人监护（RPM）系统的主要任务。由于所需功能、数据源和目标的显著差异，设计一个响应RPM项目中各种需求的高效仪表板通常是一项繁琐的任务。在这项工作中，我们提出了ViSierra，在RPM项目中设计数据监控仪表板的框架。这个开源项目的抽象和不同的组件进行了解释，并提供了例子来支持我们的索赔有关的有效性，这个框架准备快速，高效，准确的监控平台，最少的编码。这些平台将涵盖传统RPM项目中的所有必要方面，并将其与机器学习解决方案等新功能相结合，并为专家提供更好的数据分析工具来跟踪信息。
2020-06-09 cs.LG cs.SE
A Machine Learning Based Framework for the Smart Healthcare Monitoring
Utah State University（犹他州立大学）
在本文中，我们提出了一种新的框架，智能医疗系统，在那里我们采用压缩感知（CS）和最先进的机器学习的降噪以及交替方向的乘法器（ADMM）结构的组合。由于ADMM的模块化结构，这种集成大大简化了低复杂度编码器的软件实现。此外，我们专注于从图像流中检测跌倒动作。因此，本研究的主要目的是尽可能清晰地重建图像，因此有助于训练分类器的检测步骤。对于这个高效的智能健康监测框架，我们采用训练的二进制卷积神经网络（CNN）分类器的跌倒动作分类器，因为这个方案是监控场景的一部分。在这种情况下，我们处理的fallimages，因此，我们压缩，传输和重建fallimages。实验结果表明，网络参数的影响和显着的性能增益的建议相比，传统的方法。
2020-04-04 cs.CV cs.HC cs.LG
On the use of Statistical Learning Theory for model selection in Structural Health Monitoring
针对结构健康监测中模型选择依赖启发式验证的问题，本文从统计学习理论角度研究核平滑器选择，证明融入领域知识可降低保证风险、提升模型泛化能力。
2025-01-14 cs.LG stat.ML
Wearable Health Monitoring System for Older Adults in a Smart Home Environment
University of Kentucky（肯塔基大学）
物联网的出现使互联和集成的智能健康监测系统的设计成为可能。这些智能健康监测系统可以在智能家居环境中实现，为老年人提供长期护理。在本文中，我们提出了一个可穿戴健康监测系统，适合老年人在智能家居环境中的设计。所提出的系统提供了在智能家居环境中监测个人的压力、血压和位置的解决方案。在这项工作中提出的压力检测模型使用嵌入在智能腕带中的皮肤电活动（EDA），光电容积脉搏波（PPG）和皮肤温度（ST）传感器来检测生理压力。压力检测模型使用从唾液皮质醇获得的压力标签进行训练和测试，唾液皮质醇是临床上建立的生理压力的生物标志物。一个基于语音的原型也实现了所提出的系统集成在智能家居环境中的可行性进行了分析，通过模拟数据采集和流的情况。我们还提出了一个血压估计模型，使用PPG信号和先进的回归技术与可穿戴健康监测系统中的压力检测模型集成。最后，一个语音辅助室内定位系统的设计提出了与智能家居环境内的建议系统集成。提出的可穿戴健康监测系统是实现具有广泛诊断能力的智能家居环境的一个重要方向，这样的系统可以用于在舒适的家中为老年人提供长期和个性化的护理。
2021-06-09 cs.CY cs.HC cs.LG
AlerTiger: Deep Learning for AI Model Health Monitoring at LinkedIn
LinkedIn Corporation（领英公司）
本文提出 AlerTiger 深度学习 MLOps 监控系统，通过统计生成、两阶段异常检测、后处理与告警监控模型特征和输出，已在 LinkedIn 生产环境取得业务收益。
2023-06-03 cs.LG
Health Monitoring of Movement Disorder Subject based on Diamond Stacked Sparse Autoencoder Ensemble Model
Chengdu Yangjun Technology Co., Ltd（成都杨军科技有限公司）；Chongqing University（重庆大学）
对于行动不便的慢性病患者，由于其行动不便，慢性病病程长，因此慢性病的健康监测非常重要。基于机器学习的使用可穿戴传感器从具有运动障碍的人收集的数据的处理是当前可用于健康监测的有效方法。然而，可穿戴传感器系统难以获得高质量和大量的数据，这不能满足诊断精度的要求。此外，现有的机器学习方法不能很好地处理这个问题。特征学习是机器学习的关键。针对这一问题，提出了一种基于菱形叠加稀疏自编码器集成模型（DsaeEM）的运动障碍对象健康监测方法。该算法有两个主要组成部分。首先，使用特征嵌入堆叠稀疏自动编码器（FSSAE）设计特征扩展。其次，设计了一种特征约简机制，去除扩展特征间的冗余。该机制包括L1正则化特征约简算法和改进的流形降维算法。本文将特征扩展和特征约简相结合的机制称为类钻石特征学习机制。该方法的实验验证与几个国家的最先进的算法和两个数据集。结果表明，该算法具有较高的精度.综上所述，本研究开发了一种有效可行的特征学习算法用于慢性病的识别。
2023-03-15 cs.LG
On risk-based active learning for structural health monitoring
University of Sheffield（谢菲尔德大学）
结构健康监测系统的开发和实施的主要动机是获得关于结构和基础设施的操作和维护做出明智决策的能力的前景。不幸的是，在实施监测系统之前，很少有与感兴趣结构的健康状态信息相对应的测量数据的描述性标签可用。这个问题限制了传统的监督和无监督方法的适用性机器学习在决策支持SHM系统的统计分类器的发展。本文提出了一种基于风险的主动学习公式，其中类标签信息的查询由每个初始数据点的所述信息的期望值指导。当应用于结构健康监测时，类标签的查询可以映射到感兴趣的结构的检查，以确定其健康状态。在当前的文件中，基于风险的主动学习过程的解释和可视化通过一个有代表性的数值例子，随后应用到Z24桥基准。案例研究的结果表明，决策者的性能可以通过基于风险的统计分类器的主动学习，这样的决策过程本身被考虑在内，以提高。
2021-11-16 cs.LG stat.ML
A Dual-Stream Physics-Augmented Unsupervised Architecture for Runtime Embedded Vehicle Health Monitoring
Software/Hardware Integration Lab - Department of Informatics and Statistics（信息与统计学系软件/硬件整合实验室）
本文提出一种双流架构，结合无监督学习和物理代理，用于实时评估车辆运行强度，实现低开销的嵌入式健康监测。
2026-02-11 cs.AI cs.LG
A Computational Framework for Modeling Complex Sensor Network Data Using Graph Signal Processing and Graph Neural Networks in Structural Health Monitoring
Osnabrück University（奥斯纳布吕克大学）；Tilburg University（蒂尔堡大学）；Jheronimus Academy of Data Science（耶罗尼姆斯数据科学学院）
复杂网络适用于多维数据的建模，例如关系数据和/或时态数据。特别是，当这些复杂的数据及其内在关系需要形式化时，复杂网络建模及其生成的图形表示可以提供各种强大的选项。在本文中，我们的目标-连接到特定的机器学习方法的图形结构健康监测的分析和预测（维护）的角度。具体来说，我们提出了一个框架的基础上复杂网络建模，集成图信号处理（GSP）和图神经网络（GNN）的方法。我们证明了这个框架在我们的目标应用领域的结构健康监测（SHM）。特别是，我们专注于一个突出的现实世界的结构健康监测用例，即，荷兰一座大型桥梁的传感器数据（应变、振动）建模和分析。在我们的实验中，我们表明，GSP能够识别最重要的传感器，我们调查了一组搜索和优化方法。此外，GSP能够检测特定的图形信号模式（模式形状），捕获所应用的复杂网络中传感器的物理功能特性。此外，我们还展示了将GNNs应用于此类数据的应变预测的有效性。
2021-05-01 cs.LG cs.SI
Active Learning for WBAN-based Health Monitoring
Pennsylvania State University（宾夕法尼亚州立大学）；IBM T. J. Watson Research Center（IBM T. J. 沃森研究中心）
针对 WBAN 健康监测中样本采集与专业标注成本高、不同步的问题，提出在线核心集选择与离线标注训练的两阶段主动学习方法，并证明误差界、验证可显著降本且保持模型质量。
2024-08-05 cs.LG cs.NI
Real-time Health Monitoring of Heat Exchangers using Hypernetworks and PINNs
TCS Research（塔塔咨询服务公司研究院）
我们展示了一个基于物理信息神经网络（PINN）的模型，用于热交换器的实时的【形】健康监测，这在提高火电厂的能源效率方面起着至关重要的作用。基于超网络的方法用于使域分解的PINN能够响应于动态边界条件学习热交换器的热行为，从而消除重新训练的需要。因此，与现有的PINN相比，我们实现了推理时间的数量级减少，同时保持了与基于物理的模拟相当的准确性。这使得该方法对于数字孪生环境中的热交换器的预测性维护非常有吸引力。
2022-12-20 cs.AI cs.CE cs.LG
Driving behavior-guided battery health monitoring for electric vehicles using machine learning
National University of Singapore（新加坡国立大学）；Farasis Energy USA, Inc.（孚能科技（美国）有限公司）
针对电池健康监测中特征冗余与实际场景特征难获取的问题，提出结合真实驾驶条件下特征获取概率评估的机器学习流水线，通过机理分析、多数据集筛选及场景融合方法，平衡健康指标的性能与实用性。
2023-09-25 cs.LG cs.SY eess.SY
Physics-informed data-driven machine health monitoring for two-photon lithography
Department of Mechanical Engineering, University of Michigan, Ann Arbor, MI 48109, United States（密歇根大学安娜堡分校机械工程系）；Department of Mechanical Science and Engineering, University of Illinois at Urbana-Champaign, Urbana, IL 61801, United States（伊利诺伊大学厄巴纳-香槟分校机械科学与工程系）
本文提出三种方法，结合物理信息数据驱动预测模型与统计方法，实现双光子光刻机健康状态的准确及时监测，通过实验验证其高准确度、鲁棒性和泛化能力。
2025-10-16 cs.LG stat.ML
FedTherapist: Mental Health Monitoring with User-Generated Linguistic Expressions on Smartphones via Federated Learning
KAIST（韩国科学技术院）；SoftlyAI；Tsinghua University（清华大学）；Emory University（埃默里大学）
提出FedTherapist系统，通过联邦学习利用智能手机上的语音和键盘输入进行隐私保护的心理健康监测，并采用CALL方法处理嘈杂文本，在46名参与者实验中相比非语言特征实现了更高的预测准确率。
2023-10-25 cs.AI cs.CL cs.LG
IIoT-Enabled Health Monitoring for Integrated Heat Pump System Using Mixture Slow Feature Analysis
Singapore University of Technology and Design（新加坡科技设计大学）；University of Queensland（昆士兰大学）
传感技术的持续发展和通信技术的进步已经彻底改变了各种电气设备的性能和健康管理，使其朝着数据驱动的方向发展。这场革命为热泵（HP）系统的健康监测问题提供了一个有前途的解决方案，热泵系统是现代建筑中广泛部署的重要设备，用于供暖，以及时评估其运行状态，避免意外停机。许多HP实际上是在多年前制造和安装的，由于当时的技术限制和成本控制，导致可用的传感器较少。它提出了一个难题，以负担得起的成本保护惠普。我们提出了一种混合方案，通过集成工业物联网（IIoT）和智能健康监测算法来应对这一挑战。首先，构建一个IIoT网络来感测和存储测量结果。具体地，温度传感器被适当地选择并部署在水箱的入口和出口处以测量水温。其次，利用温度信息，提出了一种无监督学习算法混合慢特征分析（MSFA），以及时评估集成HP的健康状况。由于热水需求的变化，不同的HP频繁的操作开关的特点，观察到不同的加热速度的各种加热模式。慢度是衡量稳态分布变化速度的一种动力学指标，MSFA在加热模式划分和健康评价中均适当考虑了慢度的影响。最后，所提出的方法的有效性进行了验证，通过一个真正的集成HP与五个连接的HP安装十年前。实验结果表明，MSFA是能够准确地识别系统的健康状态，特别是在初始阶段的故障相比，其竞争算法。
2021-04-20 cs.LG
Towards Sustainable Development: A Novel Integrated Machine Learning Model for Holistic Environmental Health Monitoring
Texas Academy of Mathematics & Science（德克萨斯数学与科学学院）
本研究提出一种集成机器学习模型，利用污染物和颗粒物指标监测环境健康，以帮助政府识别干预点并促进可持续发展。
2023-08-20 cs.LG
System-reliability based multi-ensemble of GAN and one-class joint Gaussian distributions for unsupervised real-time structural health monitoring
Virginia Tech University（弗吉尼亚理工大学）；K. N. Toosi University of Technology（K. N. 图西理工大学）
无监督健康监测作为最实用的实时的【形】结构健康监测方法，在过去的十年中得到了广泛的关注。在文献中提出的无监督技术中，仍然存在鲁棒和实时的【形】健康监测的障碍。这些障碍包括特征提取步骤中的降维信息丢失、这些步骤的案例依赖性、缺乏动态聚类以及检测结果对用户定义的参数的敏感性。本研究介绍一种无监督的实时的【形】SHM方法，该方法具有低维和高维特征的混合物，而不需要依赖于案例的提取方案。这两个特征都用于训练生成对抗网络（GAN）和一类联合高斯分布模型（1-CG）的多集合。基于GAN和1-CG模型的检测得分，构造了极限状态函数的新颖性检测系统。这些极限状态函数（检测阈值）的电阻通过基于可靠性的分析采用Monte Carlo直方图采样来调整到具有GAN生成的数据对象的用户定义的参数。该调整使得该方法对用户定义的参数具有鲁棒性，这是至关重要的，因为在实时的【形】SHM中没有选择这些参数的规则。提出的新颖性检测框架被应用到两个标准的SHM数据集，以说明其通用性：黄色框架（20个损伤类）和Z24桥（15个损伤类）。所有不同的损害类别的识别与低敏感性的用户定义的参数的初始选择与引入动态和静态基线方法很少或没有假警报。
2021-02-01 cs.LG
Physics-informed machine learning for Structural Health Monitoring
University of Sheffield（谢菲尔德大学）
机器学习在结构健康监测中的应用越来越普遍，因为开发基于状态的评估中的许多固有任务（如回归和分类）自然属于其职权范围。本章介绍了物理信息机器学习的概念，其中一个适应ML算法来解释工程师经常对他们试图建模或评估的结构的物理洞察力。本章将演示灰箱模型如何将简单的基于物理的模型与数据驱动的模型相结合，从而提高SHM环境中的预测能力。这里展示的方法的一个特别的优势是模型的泛化能力，在不同的制度增强预测能力。当要求进行寿命评估时，或者当监测数据不涵盖结构将经历的操作条件时，这是一个关键问题。本章将概述基于物理学的ML，介绍贝叶斯环境中灰箱建模的一些新方法。讨论的主要ML工具将是高斯过程回归，我们将演示如何通过约束，通过均值函数和内核设计，并最终在状态空间设置中纳入物理假设/模型。将展示一系列SHM应用，从海上和航空航天结构的载荷监测任务，到大跨度桥梁的性能监测。
2022-06-30 cs.LG
Stress Monitoring in Healthcare: An Ensemble Machine Learning Framework Using Wearable Sensor Data
JK Lakshmipat University（拉克什米帕特大学）；Manipal University（曼尼帕尔大学）；University of Florida（佛罗里达大学）
本研究提出一个多模态医疗压力数据集，使用 SMOTE 处理类别不平衡，并结合 Random Forest、XGBoost 和 MLP 构建 Stacking Classifier 集成框架，有效推进了可部署的实时压力监测系统发展。
2025-07-10 cs.DC cs.LG
Hybrid Spectro-Temporal Fusion Framework for Structural Health Monitoring
Department of Information Technology（信息科技系）；Department of Mechanical Engineering（机械工程系）；Department of Civil Engineering and Construction（土木工程与建设系）
本文提出混合频谱-时间融合框架，结合到达时间间隔描述符与频谱特征，提升结构健康监测的精度与稳定性。
2026-04-17 cs.AI cs.LG
Dataset: Impact Events for Structural Health Monitoring of a Plastic Thin Plate
University of Patras（帕特雷大学）
如今，越来越多的数据集被发布用于系统和模型的研究和开发，从而实现直接比较，不断改进解决方案，以及研究人员参与实验和现实生活数据。然而，特别是在结构健康监测（SHM）领域，有很多情况下，新的研究项目具有结构设计和实施，传感器选择和技术使能器的独特组合，不符合文献中相关个体研究的配置。因此，我们将案例研究中的数据分享给研究界，因为我们没有找到任何可用的相关存储库。更具体地说，在本文中，我们提出了一种新的时间序列数据集，用于塑料薄板上的冲击检测和定位，面向结构健康监测应用，使用连接到物联网（IoT）设备的陶瓷压电换能器（PZT）。该数据集是从低速、低能量撞击事件的实验过程中收集的，每个独特的实验至少包括3次重复，而输入测量值来自放置在板角的4个PZT传感器。对于每个重复和传感器，以100 KHz采样率存储5000个值。该系统用钢球激发，释放高度从10 cm到20 cm不等。该数据集在GitHub（https：//github.com/Smart-Objects/Impact-Events-Dataset）中提供。
2022-09-20 cs.LG
Named Entity Recognition for Monitoring Plant Health Threats in Tweets: a ChouBERT Approach
Institut Supérieur d’Electronique de Paris（巴黎高等电子学院）；University of Reims Champagne-Ardenne（兰斯香槟-阿登大学）
本文针对农业文本数据缺乏标注的问题，进一步研究法语预训练模型ChouBERT在小规模标注集上进行词元级标注任务的能力，以从Twitter等社交媒体中提取植物健康威胁信息。
2023-10-19 cs.CL cs.LG
Time-Vertex Machine Learning for Optimal Sensor Placement in Temporal Graph Signals: Applications in Structural Health Monitoring
Intelligent Maintenance and Operations Systems Lab., EPFL, Lausanne, Switzerland（智能维护与运营系统实验室，瑞士联邦理工学院，洛桑）
本文提出时间顶点机器学习框架，结合图信号处理、时域分析和机器学习，实现可解释且高效的传感器布置，通过识别代表性节点减少冗余并保留关键信息。
2025-12-22 cs.LG eess.SP
Statistically Valid Post-Deployment Monitoring Should Be Standard for AI-Based Digital Health
Arizona State University（亚利桑那州立大学）
本文主张基于AI的数字健康应采用统计上有效的部署后监控作为标准，提出统计有效且标签效率高的测试框架以确保现实部署的可靠性和安全性。
2026-02-04 cs.LG
SOH-KLSTM: A Hybrid Kolmogorov-Arnold Network and LSTM Model for Enhanced Lithium-Ion Battery Health Monitoring
Robotics and Internet of Things Laboratory, College of Computer and Information Sciences（机器人与物联网实验室，计算机与信息科学学院）；RIADI Laboratory, National School of Computer Science, University of Manouba（RIADI实验室，国家计算机科学学院，曼努巴大学）；College of Electrical and Computer Engineering, King Abdulaziz University（电气与计算机工程学院，国王阿卜杜勒阿齐兹大学）
针对传统方法无法有效表征锂电池非线性与时序退化特征的问题，提出 SOH-KLSTM 框架，通过在 LSTM 中集成 KAN 候选单元状态，结合两者的长期依赖学习与非线性近似能力，实现了更准确的电池健康状态预测。
2025-08-31 cs.LG
On the Design of Communication-Efficient Federated Learning for Health Monitoring
University of Electronic Science and Technology of China（电子科技大学）；École de Technologie Supérieure（高等技术学院）；Carleton University（卡尔顿大学）
随着物联网的蓬勃发展，健康监测应用逐渐繁荣。在最近的COVID-19大流行情况下，人们对永久远程健康监测解决方案的兴趣有所增加，旨在减少接触并保护有限的医疗资源。在实现高效远程健康监测的技术方法中，联邦学习（FL）因其在保护数据隐私方面的鲁棒性而受到特别关注。然而，由于FL服务器和客户端之间的频繁传输，FL可能产生高通信成本。为了解决这个问题，我们在本文中提出了一个通信效率的联邦学习（CEFL）框架，涉及客户端聚类和迁移学习。首先，我们提出通过计算相似度因子，根据神经网络的特点，对客户进行分组。然后，选择每个集群中的代表性客户端作为集群的领导者。与传统的FL不同，我们的方法只在簇领导者之间进行FL训练。随后，领导者采用迁移学习，用训练好的FL模型更新其聚类成员。最后，每个成员用自己的数据微调接收到的模型。为了进一步降低通信成本，我们选择了部分层FL聚合方法。该方法建议部分更新神经网络模型而不是完全更新。通过实验，我们表明，CEFL可以节省高达98.45%的通信成本，同时承认小于3%的准确性损失，相比传统的FL。最后，CEFL表现出高精度的客户端与小或不平衡的数据集。
2022-11-30 cs.DC cs.LG cs.NI
The Role of Explainable AI in Revolutionizing Human Health Monitoring: A Review
King Khalid University（哈立德国王大学）；Ummul Al Qura University（乌姆古拉大学）；Taif University（塔伊夫大学）；King Abdullah Medical City（阿卜杜拉国王医疗城）；University of Hafr Al Batin（哈夫尔巴廷大学）
本综述探讨可解释人工智能在医疗健康监测中的作用，分析了九种XAI算法在慢性病诊断中的优势与局限，指出其能提升模型透明度与临床信任，但仍面临可扩展性、验证及临床接受度等挑战。
2025-02-26 cs.LG eess.SP
Semi-Supervised Health Index Monitoring with Feature Generation and Fusion
Laboratory of Intelligent Maintenance and Operations Systems, EPFL（智能维护与运营系统实验室，洛桑联邦理工学院）；Oerlikon METCO（欧瑞康美科）
针对健康指数标签难以获取的问题，提出基于DeepSAD嵌入和多样性损失的特征生成与融合方法，结合等距约束交替投影生成归一化HI，在铣削数据集和喷涂涂层磨损监测中验证有效。
2024-11-08 cs.LG stat.ME
Wearable and Continuous Prediction of Passage of Time Perception for Monitoring Mental Health
Swiss Federal Institute of Technology Lausanne (EPFL)（洛桑联邦理工学院）
一个人的时间知觉（POTP）与他们的精神状态和压力反应密切相关，因此可以提供一种易于量化的持续心理健康监测手段。在这项工作中，我们开发了一个自定义实验和机器学习（ML）模型，用于从可穿戴生物传感器获得的生物标志物中预测POTP。我们首先确认，个体在恐惧或悲伤时经历的时间流逝比平时慢（p = 0.046），而在认知任务中经历的时间流逝比平时快（p = 2 x 10^-5）。然后，我们将与快速，慢速和正常POTP相关的实验片段分组在一起，并训练ML模型，以根据人的生物标志物在这些状态之间进行分类。分类器的加权平均F-1得分为79%，快速通过时间类的F-1得分最高，为93%。接下来，我们对每个人的POTP进行分类，而不管手头的任务如何，当区分时间过得比平时快而不是慢时，达到了77.1%的F-1分数。在这两个分类器中，来自呼吸、心电图、皮肤电导和皮肤温度信号的生物标志物对分类器输出的贡献最大，从而使得能够使用非侵入性、可穿戴生物传感器进行实时POTP监测。
2021-05-03 cs.LG eess.SP
Adaptive Multi-Agent Deep Reinforcement Learning for Timely Healthcare Interventions
University of Southern Queensland（南昆士兰大学）；Wuhan University of Technology（武汉理工大学）；Lingnan University（岭南大学）；Hong Kong Baptist University（香港浸会大学）；Huazhong University of Science and Technology（华中科技大学）
针对传统患者监护系统在复杂动态环境下易延误危急状况识别的问题，提出基于多智能体深度强化学习的监护框架，经真实数据集验证其性能优于多种基线模型，超参数优化可进一步提升效果。
2024-10-28 cs.AI cs.LG
Surrogate modeling for stochastic crack growth processes in structural health monitoring applications
National Technical University of Athens（雅典国立技术大学）
本研究为结构健康监测中的随机裂纹扩展过程构建概率代理模型，利用高斯过程回归编码不确定性，以支持损伤量化与预后。
2023-10-11 cs.AI cs.LG stat.ML
Fully convolutional networks for structural health monitoring through multivariate time series classification
Politecnico di Milano（米兰理工大学）；MOX - Dipartimento di Matematica, Politecnico di Milano（米兰理工大学MOX - 数学系）；Dipartimento di Ingegneria Civile e Ambientale, Politecnico di Milano（米兰理工大学土木工程与环境工程系）
我们提出了一种新的方法，结构健康监测（SHM），旨在通过普适传感器系统获取的数据的损伤敏感功能的自动识别。损伤检测和定位被公式化为分类问题，并通过全卷积网络（FCN）来解决。建议的网络架构进行监督训练的数据提取的数值模拟的物理模型（扮演的角色数字孪生的结构进行监测）占不同的损害情况。通过依赖于这个简化模型的结构，几个负载条件被认为是在训练阶段的FCN，其架构已被设计为处理不同长度的时间序列。神经网络的训练是在监测系统开始运行之前完成的，因此能够进行实时的损伤分类。所提出的策略的数值性能进行了评估的数值基准情况下，包括一个八层楼的剪切建筑受到两种载荷类型，其中一个建模随机振动由于低能量地震活动。测量噪声已被添加到结构的响应，以模仿一个真正的监测系统的输出。非常好的分类能力：在九个可能的替代品（代表的健康状态，并在任何楼层的损坏），损坏正确分类的情况下，高达95%，从而显示出强大的潜力，所提出的方法，在现实生活中的情况下的应用。
2020-02-12 cs.LG eess.SP
A generative adversarial network optimization method for damage detection and digital twinning by deep AI fault learning: Z24 Bridge structural health monitoring benchmark validation
University of Bath（巴斯大学）；Loughborough University（拉夫堡大学）
本文提出一种条件标记生成对抗网络无监督框架，用于损伤检测和数字孪生，在Z24桥梁结构健康监测基准上验证了其在数据稀缺或状态未知时准确捕获损伤的能力。
2025-10-30 cs.AI cs.CV cs.LG
Damage-sensitive and domain-invariant feature extraction for vehicle-vibration-based bridge health monitoring
Stanford University（斯坦福大学）；Carnegie Mellon University（卡内基梅隆大学）；Mitsubishi Electric Research Laboratories（三菱电机研究实验室）
我们引入了一种物理引导的信号处理方法，从车辆行驶在桥梁上的加速度响应数据中提取损伤敏感和域不变（DS & DI）特征，以评估桥梁健康。基于间接传感技术的桥梁健康监测具有成本低、维护量小等优点，为了有效地对桥梁进行实时监测，研究了基于车辆振动的桥梁健康监测方法。然而，应用这种方法是具有挑战性的，因为1）手动提取的基于物理的特征通常对损坏不敏感，并且2）来自机器学习技术的特征通常不适用于不同的桥梁。因此，我们制定了车辆桥梁相互作用系统模型，并找到一个物理指导的DS & DI功能，它可以使用同步压缩小波变换表示非平稳信号作为本征模式类型的组件提取。我们验证了所提出的功能的有效性与模拟实验。与传统的时域和频域特征相比，我们的特征在六个实验中的五个中提供了跨不同桥梁的最佳损伤量化和定位结果。
2020-02-06 cs.CE cs.LG eess.SP
Canonical-Correlation-Based Fast Feature Selection for Structural Health Monitoring
The University of Sheffield（谢菲尔德大学）；Tongji University（同济大学）；Shanghai Qizhi Institute（上海期智研究院）
本文提出一种基于典型相关系数平方和贪婪计算的快速特征选择算法，并在合成、真实数据及边缘设备上验证其适用于SHM中的分类、回归与损伤敏感特征选择。
2024-09-09 cs.LG stat.ML
Neural operator for structural simulation and bridge health monitoring
Kyoto University（京都大学）；The University of Hong Kong（香港大学）
本研究基于傅里叶神经算子提出 VINO 作为桥梁数字孪生，通过有限元和实验数据集预训练与微调，实现了比有限元更准确的结构响应预测以及损伤的定位与量化。
2023-05-19 cs.AI cs.LG
G-CMP: Graph-enhanced Contextual Matrix Profile for unsupervised anomaly detection in sensor-based remote health monitoring
University of Surrey（萨里大学）
基于传感器的远程健康监测用于工业、城市和医疗保健环境，以监测设备的持续运行和人体健康。一个重要的目标是在发现异常事件或不良健康状况时及早干预。在野外，这些异常检测方法受到噪声、标签稀缺性、高维性、可解释性和操作环境的广泛变化的挑战。上下文矩阵配置文件（CMP）是矩阵配置文件（MP）的可配置二维版本，它使用时间序列的所有连续性的距离矩阵来发现模式和异常。CMP被证明是提高MP和其他SOTA方法在检测，可视化和解释真正的异常在嘈杂的现实世界中的数据从不同的域的有效性。它擅长缩小和识别可配置时间尺度的时间模式。然而，CMP不解决跨传感器信息，并且不能缩放到高维数据。我们提出了一种新的，自我监督的基于图的时间异常检测方法，工作在从CMP距离矩阵生成的上下文图。学习的图嵌入对时间上下文的异常性质进行编码。此外，我们评估其他图离群算法相同的任务。假定我们的流水线是模块化的，则图构造、图嵌入的生成和模式识别逻辑都可以基于特定的模式检测应用来选择。我们验证了基于图的异常检测的有效性，并将其与CMP和3种最先进的方法在两个具有不同异常的真实医疗数据集上进行了比较。我们提出的方法表现出更好的召回率，警报率和泛化能力。
2022-11-29 cs.AI cs.LG
Transformer-Based Approach to Optimal Sensor Placement for Structural Health Monitoring of Probe Cards
Dept. of Civil and Environmental Engineering Politecnico di Milano, Italy（米兰理工大学土木与环境工程系）；Technoprobe, Cernusco Lombardone, Italy（Technoprobe公司）
本文提出一种基于Transformer的混合深度学习模型，用于优化探针卡传感器布置，实现结构健康监测，在分类健康状态上达到99.83%的准确率，并通过注意力权重分析指导高效监测系统设计。
2025-09-09 cs.AI cs.LG
Generative Adversarial Networks for Data Generation in Structural Health Monitoring
University of Central Florida（中佛罗里达大学）；Iowa State University（爱荷华州立大学）
结构健康监测（SHM）一直受益于数据科学领域的进步。各种类型的人工智能（AI）方法已被用于土木结构的评估和评价。在人工智能中，机器学习（ML）和深度学习（DL）算法需要大量的数据集来进行训练;特别是，DL模型训练的数据越多，它产生的输出就越好。然而，在SHM应用中，通过传感器从土木结构收集数据是昂贵的，并且获得有用的数据（损伤相关数据）是具有挑战性的。在本文中，1-D Wasserstein损失深度卷积生成对抗网络使用梯度惩罚（1-D WDCGAN-GP）被用来生成与输入相似的损伤相关的振动数据集。为了进行基于振动的损伤诊断，在真实和生成的数据集上构建、训练和测试1-D深度卷积神经网络（1-D DCNN）。两个数据集上的1-D DCNN的分类结果非常相似。本文所提出的工作表明，对于基于DL或ML的损伤诊断中数据不足的情况，1-D WDCGAN-GP可以成功地生成用于模型训练的数据。关键词：1-D生成对抗网络（GAN）、深度卷积生成对抗网络（DCGAN）、具有梯度惩罚的Wasserstein生成对抗网络（WGAN-GP）、1-D卷积神经网络（CNN）、结构健康监测（SHM），结构损伤诊断，结构损伤检测
2022-03-03 cs.AI cs.LG stat.AP
Practical Battery Health Monitoring using Uncertainty-Aware Bayesian Neural Network
Singapore Institute of Technology（新加坡科技学院）；Nanyang Technological University（南洋理工大学）；Agency for Science, Technology and Research（新加坡科技研究局）；National University of Singapore（新加坡国立大学）
本文提出基于贝叶斯神经网络的电池健康监测模型，通过参数分布而非单点估计捕捉不确定性，实现电池寿命终止的准确预测并提供可量化不确定性，平均误差13.9%，具有实际应用价值。
2024-04-20 cs.AI cs.ET cs.LG
