小型嵌入式系统中传感器数据分类的人工神经网络

基于人工智能的使用低成本加速度传感器改造的专用铣削机械的刀具磨损和缺陷预测

Artificial Intelligence based tool wear and defect prediction for special purpose milling machinery using low-cost acceleration sensor retrofits

铣床是许多工业加工链的组成部分。因此，近年来提出了几种基于机器学习的刀具磨损检测方法，但这些方法大多针对标准铣床，而专为更专业任务设计的机械迄今为止只获得了有限的关注。本文演示了加速度传感器的应用，以方便这样一个特殊用途的机器，即圆缝铣床的状态监测。我们检查各种情况，包括刀片磨损和刀片断裂，以及不正确的机器安装或传动带张力不足。此外，我们提出了不同的方法来监督故障识别有限的训练数据量。因此，除了理论见解外，我们的分析具有很高的实际重要性，因为用加速度传感器和边缘分类设置改造旧机器的成本和工作量很低，但对机器和工具的状态以及一般的生产过程提供了有价值的见解。

2022-02-07cs.AIcs.LG

使用电话传感器和人工神经网络检测自然环境中饮酒期间的步态变化

Using Phone Sensors and an Artificial Neural Network to Detect Gait Changes During Drinking Episodes in the Natural Environment

University of Pittsburgh（匹兹堡大学）

手机传感器可能有助于评估饮酒引起的步态变化。这项研究确定了（1）在自然环境中饮酒时收集步态相关数据的可行性，以及（2）手机传感器测量的步态相关特征与估计的血液酒精浓度（eBAC）的关系。10名年轻的成年重度饮酒者被要求在连续四个周末的晚上8点到凌晨12点之间每小时完成一项5步步态任务。我们从手机传感器收集了3轴加速度计、陀螺仪和磁力计数据，并使用滑动窗口技术计算了24个步态相关特征。基于酒精使用的生态瞬时评估（EMA）计算每个时间点的eBAC水平。我们使用人工神经网络模型来分析训练（70%的数据）和验证和测试（30%的数据）数据集中传感器特征与eBAC之间的关联。我们分析了128个数据点，其中eBAC和步态相关的传感器数据都被捕获，无论是在不喝酒时（n=60），而eBAC上升（n=55）或eBAC下降（n=13）。在eBAC大于法定限值（0.08 mg/dl）时采集了21个数据点。使用贝叶斯正则化神经网络，步态相关的手机传感器特征显示出与eBAC的高度相关性（Pearson's r > 0.9），并且>95%的估计eBAC将落在实际eBAC的-0.012和+0.012之间。在自然环境中的饮酒场合，从智能手机传感器收集步态相关数据是可行的。基于传感器的特征可用于推断与血液酒精含量升高相关的步态变化。

2017-11-13cs.CYcs.LGstat.ML

通过从sEMG传感器进行嵌入式深度学习的3D打印脑控机器人手臂假体

3D Printed Brain-Controlled Robot-Arm Prosthetic via Embedded Deep Learning from sEMG Sensors

Northumbria University（诺森比亚大学）；Lancaster University（兰卡斯特大学）

在本文中，我们介绍了我们通过深度学习开发机器人手臂假肢的工作。我们的工作建议使用迁移学习技术应用于Google Inception模型，以重新训练表面肌电图（sEMG）分类的最后一层。使用Thalmic Labs Myo臂带收集数据，并用于生成图形图像，每个图像包含8个子图，每个图像包含从每个传感器40个数据点捕获的sEMG数据，对应于臂带中的8个sEMG传感器阵列。然后，通过使用深度学习模型Inception-v3将捕获的数据分为四类（拳头，竖起大拇指，张开手，休息），并通过迁移学习来训练模型，以便在实时输入新数据时准确预测每个类别。然后将此训练模型下载到基于ARM处理器的嵌入式系统中，以启用由我们的3D打印机制造的脑控机器人手臂假肢。为了测试该方法的功能，使用3D打印机和现成的硬件来控制机器人手臂。SSH通信协议用于执行在嵌入式Raspberry Pi上托管的Python文件，ARM处理器触发机器人手臂上的预测手势的移动。

2020-05-04cs.LGcs.ROeess.SP

嵌入式互主体变异对抗学习在基于惯性传感器的人体活动识别中

Embedded Inter-Subject Variability in Adversarial Learning for Inertial Sensor-Based Human Activity Recognition

1 Centre for Applied Autonomous Sensor Systems (AASS), Örebro University, Örebro, Sweden 2 Faculty of Information Science \& Electrical Engineering, Kyushu University, Fukuoka, Japan 3 RPTU, Kaiserslautern, Germany 4 DFKI, Kaiserslautern, Germany 5 Escuela T\'ecnica Superior de Ingenier\'ia y Diseño Industrial, Universidad Polit\'ecnica de Madrid, Madrid, Spain

本文提出了一种嵌入式互主体变异对抗学习框架，通过增强特征表示提升基于惯性传感器的人体活动识别性能。

2026-03-05cs.LG

使用智能手机嵌入式传感器诊断冠状病毒COVID 19的新型AI支持框架：设计研究

A Novel AI-enabled Framework to Diagnose Coronavirus COVID 19 using Smartphone Embedded Sensors: Design Study

Koya University（科亚大学）；Salahaddin University-Erbil（萨拉赫丁大学埃尔比勒分校）；University of Wolverhampton（伍尔弗汉普顿大学）；Ulster University（阿尔斯特大学）；Howard University（霍华德大学）；Manchester Metropolitan University（曼彻斯特城市大学）

冠状病毒是一个著名的病毒家族，可引起人类和动物的疾病。新型冠状病毒COVID-19首次在中国武汉发现。然而，根据世界卫生组织（WHO）的说法，最近该病毒在世界大部分地区广泛传播，并造成大流行。此外，现今，世界各国均致力控制COVID-19。检测冠状病毒的机制有很多，包括胸部CT扫描图像和血液检查结果的临床分析。确诊的COVID-19患者表现为发热、疲倦和干咳。具体地，可以使用几种技术来检测病毒的初始结果，例如医学检测试剂盒。然而，这样的设备产生了巨大的成本，需要时间来安装和使用。因此，在本文中，提出了一个新的框架，使用内置的智能手机传感器来检测COVID-19。该提案提供了一种低成本的解决方案，因为大多数放射科医生已经持有智能手机用于不同的日常用途。不仅如此，普通人也可以在智能手机上使用该框架进行病毒检测。如今，智能手机功能强大，具有现有的计算丰富的处理器，存储空间和大量的传感器，包括相机，麦克风，温度传感器，惯性传感器，接近度，颜色传感器，湿度传感器和无线芯片组/传感器。设计的人工智能（AI）框架读取智能手机传感器信号测量值，以预测肺炎的严重程度以及预测疾病的结果。

2020-05-30cs.HCcs.LGq-bio.PE

面向传感器时间序列与图像分类的带嵌入式特征选择的模型输入-输出配置搜索

Model Input-Output Configuration Search with Embedded Feature Selection for Sensor Time-series and Image Classification

HUN-REN Institute for Computer Science and Control（HUN-REN计算机科学与控制研究所）；Hungarian Academy of Sciences (MTA)（匈牙利科学院）；Doctoral School of Informatics, Eötvös Loránd University (ELTE)（厄特沃什·罗兰大学信息学博士学院）；Faculty of Economics and Business, John von Neumann University（约翰·冯·诺依曼大学经济与商学院）

本文提出MICS-EFS方法，通过改进的编码器-解码器模型与顺序前向搜索算法，将输入-输出配置搜索与嵌入式特征选择相结合，在传感器时间序列和图像分类任务中平均准确率提升1.5%，并将特征维度压缩至原始数据的2-5%。

2025-02-04cs.AIcs.LGcs.NE

使用机器学习技术和嵌入式传感器的异常步态分类

Classification of anomalous gait using Machine Learning techniques and embedded sensors

University of State of Amazonas（亚马逊州立大学）

根据研究，人类步态可以是用于检测影响人类运动的病理的预测因素。此外，已知需要高投资以提高能够提供人类步态检查的传统临床基础设施，这使得经济上脆弱的患者负担不起。面对这种情况，这项工作提出了一种可访问的现代解决方案，包括可穿戴设备，以获取3D加速度计和3D陀螺仪测量值，以及机器学习技术，以在不同类别的诱发步态障碍之间进行分类。为了开展拟议的研究，创建了一个数据集，目标标签为4种不同且平衡的异常步态类别。在该数据集中实现最佳性能（在准确性方面）的机器学习技术是通过在支持向量机分类器（94 \%）之后应用主成分分析算法。此外，基于前馈神经网络的架构产生了更好的结果（96%）。最后，它也提出了计算性能的比较模型实现。

2021-10-08cs.LGeess.SP

基于人工智能的鲁棒可移植IIoT传感器异常分类

Towards Robust and Transferable IIoT Sensor based Anomaly Classification using Artificial Intelligence

Siemens Technology（西门子技术公司）；Siemens Digital Industries（西门子数字工业）

随着低成本工业物联网（IIoT）传感器平台在工业资产上的部署越来越多，工业工厂中的异常分类将有很大的机会。这种分类模型的性能高度依赖于可用的训练数据。当训练数据来自同一台机器时，模型表现良好。然而，一旦机器在不同的环境中被更换、修理或投入运行，预测往往会失败。出于这个原因，我们调查是否有一个强大的和可转移的方法，用于基于AI的异常分类，使用不同的模型和预处理步骤的离心泵，这些离心泵在相同和不同的环境中被拆除并重新投入运行。此外，我们研究了来自相同类型的不同泵的模型性能与来自训练数据的模型性能的比较。

2021-10-07cs.AIcs.LGeess.SP

光学氧传感与人工智能

Optical oxygen sensing with artificial intelligence

TOELT LLC（TOELT有限责任公司）；Zurich University of Applied Sciences（苏黎世应用科学大学）

用于测量氧浓度的基于发光的传感器由于这种类型的感测的实际优点和灵敏度而广泛用于工业和研究两者。其测量原理是氧分子对发光的猝灭，导致发光衰减时间和强度的变化。在经典方法中，使用Stern-Volmer方程将该变化与氧浓度相关。该方程在大多数情况下是非线性的，通过特定于设备的常数进行参数化。因此，为了确定这些参数，每个传感器需要在一个或多个已知浓度下精确校准。这项工作探索了一种全新的人工智能方法，并证明了通过机器学习进行氧气传感的可行性。专门开发的神经网络非常有效地学习将输入量与氧气浓度相关联。结果显示，与许多商业和低成本传感器相比，0.5%空气的预测浓度与测量浓度的平均偏差。由于该网络是使用合成生成的数据进行训练的，因此模型预测的准确性受到生成数据描述测量数据的能力的限制，从而为未来通过使用大量实验测量进行训练来进行重大改进开辟了可能性。在这项工作中描述的方法证明了人工智能传感器的适用性。

2020-07-27cs.LGeess.SP

模体拓扑改进的脉冲神经网络对鸡尾酒会效应和McGurk效应的研究

Motif-topology improved Spiking Neural Network for the Cocktail Party Effect and McGurk Effect

Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院）；School of Information and Electronics, Beijing Institute of Technology（北京理工大学信息与电子学院）；Center for Excellence in Brain Science and Intelligence Technology, Chinese Academy of Sciences（中国科学院脑科学与智能技术卓越创新中心）

在人工神经网络和脉冲神经网络中，网络结构和学习原理是形成复杂函数的关键。SNN被认为是新一代的人工神经网络，它包含了比ANN更多的生物特征，包括动态尖峰神经元，功能指定的结构和有效的学习范式。网络架构也被认为体现了网络的功能。在这里，我们提出了一个Motif-topology改进的SNN（M-SNN）的有效的多感觉整合和认知现象的模拟。我们模拟的认知现象包括鸡尾酒会效应和麦格克效应，这是许多研究者讨论的。我们的M-SNN由称为网络模体的Meta算子构成。3节点网络基元的来源是从空间或时间数据集中预先学习的人工拓扑。在单感觉分类任务中，结果表明，使用网络模体拓扑结构的M-SNN的准确率高于不使用它们的纯前馈网络拓扑结构。在多感觉整合任务中，使用人工网络基序的M-SNN的性能优于使用BRP（生物合理奖励传播）的最新SNN。此外，M-SNN可以更好地模拟鸡尾酒会效应和McGurk效应，具有较低的计算成本。我们认为人工网络模体可以被认为是一些先验知识，有助于SNN的多感觉整合，并为模拟认知现象提供更多的好处。

2022-11-12cs.LGcs.NEeess.SP

变形虫启发的自主步行机器人中基于人工本体感觉的地面状况非视觉分类

Nonvisual Classification of Ground-Condition by Artificial Proprioception in an Amoeba-Inspired Autonomous Walking Robot

该研究为变形虫启发的自主步行机器人，整合传感器与储备池计算实现人工本体感觉，完成地面状况非视觉分类，可依地面切换步态并分析传感器贡献。

2026-08-07cs.AIcs.LGcs.RO

预测性维护--人工智能与IoT的桥梁

Predictive Maintenance -- Bridging Artificial Intelligence and IoT

International Hellenic University（国际希腊大学）

本文重点介绍了使用机器学习进行预测性维护的趋势。随着第四次工业革命的不断发展，通过物联网，使用人工智能的技术正在发展。因此，各行业一直在使用这些技术来优化生产。通过为本文进行的科学研究，得出了关于使用机器学习桥接人工智能和物联网的预测性维护应用趋势的结论。这些趋势与应用预测性维护的行业类型有关，实施了人工智能模型，主要是机器学习和通过物联网应用于应用的传感器类型。报告介绍了六个部门，生产部门占主导地位，占出版物总数的54.54%。在人工智能模型中，人工神经网络、支持向量机和随机森林分别占27.84%、17.72%和13.92%。最后，出现了12类传感器，其中使用最广泛的是温度和振动传感器，分别占60.71%和46.42%。

2021-04-20cs.AIcs.LGcs.NI

PreMa：嵌入式边缘级电磁阀实时的预测维护

PreMa: Predictive Maintenance of Solenoid Valve in Real-Time at Embedded Edge-Level

Indian Institute of Science（印度科学学院）

在工业过程自动化中，传感器（压力，温度等），控制器和执行器（电磁阀、机电继电器、断路器、电机等）确保生产线在预定条件下工作。当这些系统发生故障或有时完全失效时，必须实时的【形】发出警报，以确保不仅生产质量不受影响，而且人员和设备的安全也得到保证。在这项工作中，我们描述了一个智能和实时的【形】基于边缘的电子产品PreMa的建设，这基本上是一个传感器，用于监测电磁阀（SV）的健康。PreMa结构紧凑，功耗低，易于安装，并且具有成本效益。其数据保真度和测量精度可与使用高端的设备捕获的信号相媲美。智能螺线管传感器运行TinyML，这是TensorFlow的紧凑版（又名TensorFlow）。TFLite）机器学习框架。虽然故障检测推理是在现场，模型训练使用移动电话来完成“设备上”的培训。我们的产品评估表明，该传感器能够区分不同类型的故障。这些故障包括：（a）线轴卡住（b）弹簧故障和（c）电压不足。此外，该产品为维护人员提供SV的剩余使用寿命（RUL）。RUL提供帮助以决定瓣膜置换或其他。我们对整个系统（即嵌入式平台和神经网络模型）的性能相关的优化指标进行了广泛的评估。所提出的实施方式是这样的，给定任何机电致动器具有类似的瞬态响应的SV，该系统是能够状态监测，因此提出了第一种通用的基础设施。

2022-11-21cs.LG

面向边缘端资源感知嵌入式入侵检测的深度神经网络自适应剪枝

Adaptive Pruning of Deep Neural Networks for Resource-Aware Embedded Intrusion Detection on the Edge

Computer Science University of Massachusetts Dartmouth（计算机科学大学马萨诸塞大学达特茅斯分校）；United States Military Academy（美国军事学院）；University of Massachusetts Dartmouth（马萨诸塞大学达特茅斯分校）

本研究针对边缘嵌入式入侵检测场景，测试多种神经网络剪枝方法在更简单网络和新网络安全数据集上的泛化表现，发现多数方法效果不佳，仅少数适配该任务。

2025-05-20cs.CRcs.LG

一种嵌入式控制特征选择框架

An Embedded Feature Selection Framework for Control

Central South University（中南大学）；Zhejiang Sci-Tech University（浙江理工大学）

在保持最优控制性能的同时降低传感器要求对于许多工业控制应用至关重要，以实现鲁棒、低成本和计算高效的控制器。然而，现有的典型机器学习领域的特征选择解决方案很难应用于动态变化的控制领域。在本文中，一种新的框架，即双世界嵌入式注意特征选择（D-AFS），可以有效地选择最相关的传感器的系统下的动态控制。与大多数深度强化学习（DRL）算法中使用的一个世界不同，D-AFS既有现实世界，也有具有扭曲特征的虚拟对等体。通过分析DRL在两个世界中的响应，D-AFS可以定量地识别各自特征对控制的重要性。一个著名的主动流动控制问题，气缸阻力减少，用于评估。结果表明，D-AFS成功地找到了一个优化的五探针布局，与151个探针的最先进的解决方案相比，阻力减少了18.7%，与人类专家的五探针布局相比，阻力减少了49.2%。我们还将此解决方案应用于四个OpenAI经典控制案例。在所有情况下，D-AFS都能实现与最初提供的解决方案相同或更好的传感器配置。结果突出，我们认为，一种新的方法来实现有效的和最佳的传感器设计的实验或工业系统。我们的源代码可在https://github.com/G-AILab/DAFSFluid上公开获取。

2022-06-19cs.AIcs.LG

基于领域自适应和循环神经网络的sEMG传感器数据连续手势识别

Continuous Gesture Recognition from sEMG Sensor Data with Recurrent Neural Networks and Adversarial Domain Adaptation

JetBrains Research（JetBrains研究院）；University of York（约克大学）；National Research University Higher School of Economics（国家研究型高等经济学院）

近年来，假肢的运动控制取得了很大的进展。新的传感器和控制技术增强了假肢的功能和实用性，使其能够在有限的范围内进行复杂的运动，如抓握。迄今为止，最成功的结果是通过应用循环神经网络（RNN）实现的。然而，在假手领域，迄今为止的实验仅限于非移动手腕，这大大降低了这种假肢的功能。在本文中，第一次，我们提出了移动和非移动手腕的手势识别的实证结果。此外，我们证明了具有简单递归单元（SRU）的循环神经网络在手势识别准确性方面优于常规RNN，这些数据是通过臂带从手臂肌肉（通过表面肌电图或sEMG）感知电磁信号获得的。最后，我们表明，将领域自适应技术添加到RNN的连续手势识别中，可以提高受试者之间的传输能力，其中在一个人的数据上训练的肢体控制器用于另一个人。

2020-12-16cs.LGeess.SP

SEAOTTER: 基于传感器嵌入自编码器与一次性转码的高效重建

SEAOTTER: Sensor Embedded Autoencoding with One-Time Transcode for Efficient Reconstruction

Department of Electrical and Computer Engineering（电气与计算机工程系）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）

提出SEAOTTER框架，结合传感器嵌入自编码器与可学习JPEG转码，在200:1压缩比下实现比AVIF快7倍编码、3.5倍解码，并提升ImageNet top-1准确率8%，同时保持JPEG兼容性。

2026-06-02cs.CVcs.LGcs.RO

RAVEN：面向音频、视频、嵌入式传感器与自然语言问答的查询引导表示对齐

RAVEN: Query-Guided Representation Alignment for Question Answering over Audio, Video, Embedded Sensors, and Natural Language

Worcester Polytechnic Institute（伍斯特理工学院）

针对多模态问答中模态不一致易误导融合模型的问题，提出核心为QuART查询条件跨模态门控模块的RAVEN架构，经三阶段训练，搭配新发布的AVS-QA数据集，在多个基准上实现显著准确率提升且模态损坏下鲁棒性优异。

2025-09-05cs.CLcs.CVcs.LG

嵌入式智能中多传感器表征的联邦自监督学习

Federated Self-Supervised Learning of Multi-Sensor Representations for Embedded Intelligence

Eindhoven University of Technology（埃因霍温理工大学）；RMIT University（皇家墨尔本理工大学）

智能手机、可穿戴设备和物联网（IoT）设备产生大量数据，由于隐私、带宽限制和高昂的注释成本，这些数据无法积累在集中式存储库中用于学习监督模型。联邦学习为从分散的数据中学习模型提供了一个令人信服的框架，但传统上，它假设标记样本的可用性，而设备上的数据通常是未标记的，或者无法通过用户交互进行注释。为了解决这些问题，我们提出了一种自监督的方法称为\textit{scalogram-signal correspondence learning}基于小波变换学习有用的表示从未标记的传感器输入，如脑电图，血容量脉冲，加速度计，和WiFi信道状态信息。我们的辅助任务需要深度时间神经网络来确定给定的一对信号及其互补视点（即，利用小波变换生成的尺度图）通过优化对比目标而彼此对准或不对准。我们通过多视图策略在不同的公共数据集上广泛评估学习特征的质量，在所有领域都取得了良好的表现。我们证明了从下游任务的未标记输入集合中学习的表示的有效性，通过预训练网络训练线性分类器，在低数据状态下的有用性，迁移学习和交叉验证。我们的方法在完全监督的网络中实现了具有竞争力的性能，并且在中央和联邦上下文中都优于使用自动编码器进行的预训练。值得注意的是，它提高了半监督设置中的泛化能力，因为它通过利用自监督学习减少了所需的标记数据量。

2020-07-25cs.LGstat.ML

数据驱动的热力系统双层优化与嵌入式人工神经网络

Data-driven Bi-level Optimization of Thermal Power Systems with embedded Artificial Neural Networks

Department of Mechanical Engineering, University of Engineering and Technology Lahore（拉合尔工程与技术大学机械工程系）；University of Engineering and Technology Lahore（拉合尔工程与技术大学）；Collective Intelligence & Design Group, University of Cambridge（剑桥大学集体智能与设计组）；The Sargent Centre for Process Systems Engineering, Department of Chemical Engineering, University College London（伦敦大学学院化工系统工程中心）；University College London（伦敦大学学院）

本文提出基于人工神经网络和KKT条件的双层优化框架，用于高效优化工业热力系统，实现大规模工程系统的节能运行。

2026-02-14cs.LG

人工神经孪生——分布式流程链中的过程优化与持续学习

The Artificial Neural Twin -- Process Optimization and Continual Learning in Distributed Process Chains

Fraunhofer Institute for Integrated Circuits IIS（弗劳恩霍夫集成电路研究所）

提出人工神经孪生方法，结合模型预测控制、深度学习和传感器网络，通过可微数据融合和反向传播损失梯度，实现分布式过程链的过程优化与AI模型微调，并在Unity虚拟塑料回收场景中验证。

2024-03-27cs.LG

深度感觉替代：非侵入性地使生物神经网络接收人工神经网络的输入

Deep Sensory Substitution: Noninvasively Enabling Biological Neural Networks to Receive Input from Artificial Neural Networks

UC Santa Cruz（加州大学圣克鲁兹分校）；Leia Inc.（Leia公司）；NVIDIA（英伟达）

正如谚语“一张图片胜过千言万语”所表达的那样，当使用口语来传达视觉信息时，简洁可能是一个挑战。这项工作描述了一种新的技术，利用机器学习的特征嵌入将视觉（和其他类型的）信息声音化到感知音频域中，允许用户仅使用听觉感知这些信息。该系统使用预训练的图像嵌入网络来提取视觉特征并将其嵌入到欧几里得空间的紧凑子集中--这将图像转换为特征向量，其$L^2$距离可用作有意义的相似性度量。生成对抗网络（GAN）然后被用于找到从特征向量的该度量空间到由配备有欧几里德度量或基于梅尔频率倒谱的心理声学距离度量的目标音频数据集定义的度量空间的距离保持映射。我们通过将人脸图像声化成类似人类语音的音频来演示这种技术。对于这两个目标音频度量，GAN成功地找到了度量保留映射，并且在人类受试者测试中，用户能够准确地对面部的音频发音进行分类。

2021-08-25cs.CVcs.LGcs.SD

基于人工智能的远程电网状态监测传感器数据分析框架

Artificial Intelligence based Sensor Data Analytics Framework for Remote Electricity Network Condition Monitoring

The University of New South Wales（新南威尔士大学）

农村电气化需要使用廉价技术，如单线接地回路网络。偏远地区的消费者对能源的需求稳步增长，现有线路的容量可能很快就会不足。此外，来自SWER线路的高阻抗电弧故障（HIF）可导致灾难性的火灾，例如2009年的黑色星期六事件。作为一种解决方案，可以通过将现有系统分解为微电网来建立可靠的远程电力网络，并且可以利用现有的SWER线路来互连这些微电网。这种具有更好的能源需求管理的可靠网络的发展将依赖于具有集成的网络范围的状态监测系统。作为本文的第一个贡献，开发了一个分布式在线监测平台，该平台集电能质量监测、HIF实时识别和暂态分类于一体。基于人工智能（AI）的技术被开发用于对故障和瞬态进行分类。该方法具有更高的HIF检测准确率（98.67%）和更低的检测延迟（115.2 ms）。其次，开发了一种远程用户负载识别方法，用于从其瞬态中检测负载类型。提出了一种基于边缘计算的结构，以便于高频分析载荷识别。所提出的方法进行了实时评估，它实现了98%的平均准确度，在识别不同的负载。最后，开发了基于深度神经网络的能量分解框架，以将负载特定的能量使用与聚合信号分离。建议的框架进行评估，使用真实世界的数据集。与现有技术相比，该方法将信号聚集误差提高了44%，平均聚集误差提高了19%。

2021-01-21cs.LGeess.SP

使用支持材料集成智能系统和微型机器学习的强大实时的可扩展堆栈虚拟机REXAVM实现微型嵌入式系统的虚拟化

Virtualization of Tiny Embedded Systems with a robust real-time capable and extensible Stack Virtual Machine REXAVM supporting Material-integrated Intelligent Systems and Tiny Machine Learning

University of Bremen（不来梅大学）；University of Siegen（锡根大学）；Institute for Microsensors, -actuators and -systems（微传感器、微执行器与微系统研究所）

在过去的几十年中，传感器密度和传感器部署显著增加，这是由显著的小型化和尺寸减小到芯片级驱动的，解决了无处不在的计算，边缘计算以及分布式传感器网络。材料集成和智能系统（MIIS）提供了下一个集成和应用级别，但它们带来了新的挑战并引入了硬约束（资源，能源供应，通信，弹性和安全）。通常，低资源系统是具有专用软件或专用硬件（FPGA）的静态编程处理器。这项工作表明，需要和解决方案，虚拟化在这种低资源和约束系统的弹性分布式传感器和网络物理网络使用一个统一的低资源，可定制的，和实时的【形】能力嵌入式和可扩展堆栈虚拟机（REXAVM），可以实现和合作的软件和硬件。在整体架构方法中，VM专门针对数字信号处理和微型机器学习。通过在编译时使用VM程序代码生成器和在运行时间使用增量代码处理，REXAVM是高度可定制的。虚拟机使用集成的、高效的实时编译器从文本代码创建字节码。本文显示和评估的适用性，建议的VM架构操作等效的软件和硬件（FPGA）实现。讨论了支持微型ML和使用定点运算的DSP的特定组件的效率和精度。扩展的用例部分演示了所引入的VM体系结构在广泛应用程序中的可用性。

2023-02-17cs.ARcs.LGcs.OS

基于PPG的心率估计与有效的传感器采样和学习模型

PPG-based Heart Rate Estimation with Efficient Sensor Sampling and Learning Models

The University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校）；Florida State University（佛罗里达州立大学）

最近的研究表明，嵌入可穿戴设备中的光电容积描记（PPG）传感器可以高精度地估计心率（HR）。然而，尽管有先前的研究努力，但由于能量密集型高频PPG采样和资源密集型机器学习模型，将基于PPG传感器的HR估计应用于嵌入式设备仍然面临挑战。在这项工作中，我们的目标是探索HR估计技术，更适合于低功耗和资源受限的嵌入式设备。更具体地说，我们寻求设计技术，可以提供高精度的HR估计与低频PPG采样，小模型大小，快速推理时间。首先，我们表明，通过结合信号处理和ML，可以将PPG采样频率从125 Hz降低到仅25 Hz，同时提供更高的HR估计精度。这种组合还有助于减小ML模型的特征尺寸，从而产生更小的模型。此外，我们对不同的ML模型和特征大小进行了全面的分析，以比较它们的准确性，模型大小和推理时间。探讨的模型包括决策树（DT），随机森林（RF），K-最近邻（KNN），支持向量机（SVM），和多层感知器（MLP）。使用广泛使用的数据集和我们自己收集的数据集进行实验。实验结果表明，我们的方法相结合的信号处理和最大似然估计只有5%的误差，使用低频PPG数据的HR估计。此外，我们的分析表明，具有10到20个输入特征的DT模型通常具有良好的准确性，而模型大小较小，推理时间更快。

2023-03-23cs.AIcs.LG

基于物理传感器的深度学习跌倒检测系统

Physics Sensor Based Deep Learning Fall Detection System

School of Computer, Northwestern Polytechnical University（西北工业大学计算机学院）

针对传统物理传感器跌倒检测方法的局限，本文构建了含嵌入式采集端、移动端部署平台与服务器的TSFallDetect系统，提出新型时序深度学习跌倒预测模型，实证显示其性能优于传统方法与其他时序模型。

2024-02-29cs.AIcs.LGeess.SP

幼稚主体感觉运动经验中的基础物体知觉

Grounding object perception in a naive agent's sensorimotor experience

AI Lab, Aldebaran（Aldebaran AI实验室）

人工目标感知通常依赖于先验定义的模型和特征提取算法。我们研究如何对象的概念可以接地在一个天真的代理的感觉运动的经验。在没有任何关于自身或所处世界的知识的情况下，智能体探索其感觉运动空间，并将物体识别为独立于其上下文的一致的感觉运动转换网络。预测的基本驱动力是假设从发展的角度来解释这种网络的出现。提出了一种算法，并进行了测试，以说明该方法。

2016-09-26cs.LGcs.RO

面向水质监测人工智能应用的自主水面航行器原型研究

Towards an Autonomous Surface Vehicle Prototype for Artificial Intelligence Applications of Water Quality Monitoring

University of Sevilla（塞维利亚大学）

本研究搭建了搭载水质传感器与立体相机的自主水面航行器原型，结合YOLOv5等深度视觉模型实现大塑料检测与水质监测，经真实湖泊实验验证，为水资源监测与AI算法部署提供实用平台。

2024-10-08cs.AIcs.LGcs.RO

随机神经网络的交叉验证和不确定性确定及其在移动传感器中的应用

Cross-Validation and Uncertainty Determination for Randomized Neural Networks with Applications to Mobile Sensors

Institute of Statistics, RWTH Aachen University（亚琛工业大学统计研究所）；Forschungszentrum Jülich, Institut für Energie- und Klimaforschung, IEK-5（于利希研究中心能源与气候研究所 IEK-5）

随机人工神经网络如极限学习机为有限计算资源下的监督学习和绿色机器学习提供了一种有吸引力和有效的方法。这尤其适用于为移动设备（传感器）配备弱人工智能时。结果讨论了监督学习与这样的网络和回归方法的一致性和范围的推广和预测误差。特别是，最近的一些结果进行了审查，解决学习与移动传感器采样的数据，导致非平稳和相关的样本。由于随机网络导致随机的样本外性能指标，我们研究了一种交叉验证方法来处理随机性，并利用它来提高样本外性能。此外，计算有效的方法来确定所产生的不确定性的平均样本外预测误差的置信区间的基础上讨论了两阶段估计。该方法被应用到车辆集成photochemics中出现的预测问题。

2021-01-06cs.LGeess.SPstat.AP

基于智能手机内置传感器数据的用户社交情境与熟悉地点的端侧建模

On-device modeling of user's social context and familiar places from smartphone-embedded sensor data

Institute for Informatics and Telematics of the National Research Council of Italy（意大利国家研究委员会信息学与远程通信研究所）

提出一种端侧、无监督、轻量级的自我中心网络方法，融合物理与网络社交及地点熟悉度特征，以提升日常情境识别并保护隐私。

2023-07-18cs.LGcs.SI

基于穿戴式音频和IMU的球拍运动投篮检测

Wearable Audio and IMU Based Shot Detection in Racquet Sports

Samsung R\&D Institute India, Bangalore

像智能手表这样的可穿戴设备嵌入了传感器和强大的处理器，为体育领域的分析解决方案提供了强大的平台。为了分析运动员的比赛，虽然基于运动传感器的投篮检测在网球、高尔夫、棒球等运动中得到了广泛的研究;但乒乓球和羽毛球由于在投篮过程中可能不太激烈的手部运动而相对较少被研究。在我们的论文中，我们提出了一种新的，计算成本低，实时系统的乒乓球击球检测，基于融合的惯性测量单元（IMU）和音频传感器数据嵌入在一个腕戴式可穿戴设备。该系统建立在我们提出的方法，同步IMU和音频传感器输入的时间使用检测到的镜头，并达到95.6%的准确性。据我们所知，这是可穿戴设备中第一个基于融合的运动分析解决方案。用于其他球拍运动的击球检测器以及进一步的分析，以提供击球分类，拉力赛分析和建议等功能，可以轻松地构建在我们提出的解决方案上。

2018-05-14cs.AIcs.LGstat.ML

人工神经网络的最大弹性

Maximum Resilience of Artificial Neural Networks

fortiss（fortiss研究所）；Technische Universität München（慕尼黑工业大学）

人工神经网络（ANN）在安全关键型应用中的部署带来了许多新的验证和认证挑战。特别是，对于支持ANN的自动驾驶车辆，重要的是要建立ANN对噪声甚至恶意操纵的感觉输入的弹性。我们通过将基于ANN的分类器的弹性属性定义为仍然可以容忍的最大输入量或传感器扰动来解决这些挑战。这个问题的计算最大扰动界的人工神经网络，然后减少到解决混合整数优化问题（MIP）。大量的MIP编码算法被开发用于大幅减少MIP求解器的运行时间，并且在我们的实验中，使用MIP求解器的并行化导致计算核心的数量（达到一定的限制）几乎线性加速。我们证明了我们的方法的有效性和可扩展性，通过计算的最大弹性范围的ANN基准集，从典型的图像识别场景的机器人的自主操纵。

2017-07-05cs.AIcs.LGcs.LO