穿戴设备论文参考文献

经过万年的进化，人类在行走方面已经极为高效了。对人体运动的模拟显示，人在平地上匀速行走，理论上不需要任何能量输入。

然而，工作中需要走大量路的人或者曾经进行过艰苦远足的人都不会这么觉得。事实上，日常生活中，人们在走路上所花的能量比一天中其他任何活动都多，而对于老年人或者行动不便的人们来说则更是如此。

几十年来，工程师一直都在设想能设计出怎样的系统来让走路变得更容易。许多研究者都试图制造无动力的“外骨骼”（exoskeleton）来帮助人们行走，但是都失败了，以至于该领域内很多人都认为不额外输入能量是不可能再增加行走效率的了，引起了激烈的争论。

然而，根据昨天《自然》杂志的报道，卡内基梅隆大学与北卡罗来纳州立大学的研究者已经发明出了一种无动力的踝关节外骨骼，可以减少行走过程中7%的代谢值。这个结果意味着什么呢？它相当于你从身上卸下一个10磅（约千克）的负载，跟电动外骨骼的节省的能量相当。

“这在辅助设备领域绝对是激动人心的里程碑事件。”布朗大学的生态学家与演化生物学家托马斯?罗伯茨说，他是运动生物力学领域的专家，并没有参与这项研究。他还说，“他们制造出一种辅助设备，降低了人类在走路上的消耗。这是一件很了不起的事，因为走路本身效率已经非常高了，而他们用一种简单而聪明的办法在此基础上继续提高了效率。”

这一设备的研发经过了8年耐心而循序渐进的工作。早在2007年Steve Collins和Greg Sawicki一块儿在密歇根大学当研究生的时候，他们就在研究室的白板上筹划着这一研究了。

“走路比你想象的要复杂得多，”现任卡内基梅隆大学机械工程系助理教授的Collins说，“我们每个人都会走路，但你其实并不真正了解走路。”

在过去的众多尝试都失败了的情况下，Collins、Sawicki和文章的共同作者 M. Bruce Wiggin最终取得了成功。他们对人类行走的生物力学进行了仔细的分析，并设计了一个简单、超轻的设备来放松小腿肌肉，设备本身并不作有效功。

超声波成像研究表明，小腿肌不仅仅在推动身体前进的时候施加能量，它也起着一个离合器的作用，以保持跟腱紧绷。

研究表明，小腿肌肉是等长收缩来产生力的，因此在着地的过程中，虽然并不做功，还是需要消耗大量的代谢能量。Collins解释道：“这就跟混合动力汽车的再生制动（regenerative braking）相反， 再生制动是把刹车时动能的减小转化成电能储存起来，但这就像你每次踩刹车踏板的时候都要多消耗一点汽油一样。”

有了这个想法，他们就发明出了这种新的踝关节外骨骼，可以在部分程度上放松小腿肌肉，减小整体的代谢消耗速率。

一个机械的离合器在脚着地时啮合、在脚抬起时松开，以避免干扰行走节奏。这个离合器部分代替了小腿肌肉的工作，在不额外消耗能量的情况下产生了力，从而减小了总体的代谢率。

在研发这一设备的过程中，研究小组遇到的一个挑战就是把重物附加到腿上不可避免地会增加能量消耗，而之前其他小组正是倒在了这一点上。因此，减轻该设备的重量是至关重要的。

在数年间，经过多次尝试，研究小组终于发现了一种超轻、然而坚固且功能强大的碳纤维设计。整个器械的重量只有1磅（合千克）左右，比一只工作靴还轻。

专家们一致认为，这一设备代表了“优美、简洁的生物干预对过度复杂的工业设计的伟大胜利”。

“这一出乎意外而又史无前例的结果告诉我们，人们对像走路这样熟悉的活动都还能有提升空间。这一结果是通过对机械增强踝关节功能的基础科学研究来实现的，这是基础研究带来实用新设备的一个极好例子。”美国国家科学基金会（NSF）的项目主管Jordan Berg说。

不过，这一研究也有为人所诟病之处，就是它只对正常人有效。Sawicki自己也说：“很多人都质疑我，为什么你反而想要节省能量呢？我们不是已经面临着肥胖问题了吗？”不过他还是觉得，这项技术还是会有些帮助，比如它会让原本懒得出门的人更愿意出门走动。

而Collins和Sawicki的长期目标，当然是使用超轻、高效率的外骨骼帮助有行动障碍的人。

“我们希望用这样的技术帮助行动不便的人们行走得更方便，例如中风后有后遗症的人，”Collins说，“我们离这一目标还有距离，但我们一定会努力尝试的。”

（编译：丁家琦；via phys & Nature）

原文链接：

《自然》发表的论文链接：

由于学术研究需要，笔者在最近半个月泛读了十几篇关于群智感知的论文，因此想对群智感知这个概念作个整体的框架分析，给大家普及理论知识的同时也希望和大家一同学习进步。 移动群智感知 最早是由Raghu K. Ganti在2011年发表于IEEE的文章《Mobile crowdsensing: current state and future challenges》中提出，后于2012年清华大学刘云浩教授发表文章《群智感知计算》并在国内首次阐述 群智感知 （Crowd Sensing），而这个概念所依托的思想却源自于美国杂志《Wired》于2006年发明的一个专业术语——众包（Crowd Sourcing）。众包指的是一个公司或机构把过去由员工执行的工作任务，以自由自愿的形式外包给非特定的大众志愿者的做法，通俗来讲，众包就是指在互联网上把工作分配给社会大众共同参与完成的一种社会生产模式。在这种分布式协作的模式下，解决问题的人数从一人增长至多人，这种集大家之所长的形式更能发挥问题本身的价值，所谓“众人拾柴火焰高”嘛。而刘云浩教授则将众包与感知两个概念进行融合，提出了立足于物联网的新概念—— 群智感知 。 群智感知 指的是结合众包思想和移动设备感知能力的一种数据获取新型模式，详细点讲，就是指大规模的普通用户通过其自身携带的智能移动设备来采集感知数据并上传到服务器，服务提供商对感知数据进行记录处理，最终完成感知任务并利用收集的数据给用户提供日常所需服务的过程。近些年随着各种移动设备和可穿戴设备（如智能手机、手表手环、平板电脑、联网汽车等）的普及，其内置传感器（如加速计、陀螺仪、摄像头、指南针、GPS、麦克风、车载电话等）的存在逐渐被企业重视，利用这些传感设备收集的数据可以分析提取许多有用信息。传统的传感器感知网络在面对大范围大规模的感知任务时需要安装大量专业传感设备，导致维护成本高且覆盖范围受限，使得感知任务的完成效果和效率都大打折扣。与传统感知网络不同， 群智感知 网络利用大量普通用户手中设备的单一感知单元收集数据，这种方式因为移动设备的普遍性和用户位置移动的灵活性，完美解决了前者的问题，同时互联网+的发展更是加快了群智感知的研究与应用。如今 群智感知 在环境污染监测、环境噪声地图、城市交通路况、社交网络与医疗保健等方面都已经得到了应用，在可预见的未来它将会应用到更多的业务场景中。 上图是笔者对 群智感知 系统作的结构划分图。根据关注因素的不同，刘文彬博士将其划分为移动群智感知（Mobile Crowd Sensing）和稀疏群智感知（Sparse Crowd Sensing）。其中，移动群智感知主要关注用户，强调利用移动用户的广泛存在性、灵活移动性和机会连接性来执行感知任务，属于上文Raghu K. Ganti提到概念的广义化，即特指普通用户利用随身携带的智能设备上传感知数据；而稀疏群智感知则更加关注数据，通过挖掘和利用已感知数据的时空关联来推断未感知区域的数据。 典型的 移动群智感知 系统通常会由多个任务发起者、大量的移动用户和云端感知平台组成，最近的学术研究中有学者开始结合区块链实现最大化的隐私保护。任务发起者根据自身需求，向感知平台提交任务；感知平台向所有用户发布任务；移动用户携带智能设备执行任务并上传数据获得报酬；感知平台为任务发起者提供数据处理与计算服务。在整个过程中，数据、任务与用户是三个值得关注的关键点，因此笔者借此归纳出以下六个具体研究方向：数据收集、用户招募、任务分配、隐私保护、数据质量和激励机制。 稀疏群智感知 即招募用户感知部分区域的数据，然后利用其时空关联推断其他未感知区域的数据，以显著减少感知消耗并保证数据准确度。在物理世界中，绝大多数收集到的感知信息或数据都是连续的，比如气温、湿度、交通情况等，拿气温举个例子帮助大家理解：在同一地点，连续两分钟的温度度数极为接近，或者在同一时刻，相距五米的两个温度度数基本一致，这就是时空关联性。所以我们可以通过此时此地的气温推断出方圆五米内及两三分钟内的气温，即利用已知数据推断未知数据。但这样推断出的数据存在准确性的问题，因此笔者同样归纳出以下四个具体研究方向：数据推断、感知区域选择、数据质量和激励机制。 下面简单讲讲各个方向的研究策略。 1. 数据收集 方式分为机会式群智感知和参与式群智感知。机会式群智感知是指感知平台通过直接或间接方式感知用户的行为，对用户干扰较小，但数据精度依赖于感知算法和应用环境，且需较高的隐私保护机制激励用户的参与；参与式群智感知是指由用户主动参与感知任务，数据精度高但容易受用户主观意识干扰，且易发生恶意用户上传虚假数据的情况，因此需强的数据质量评估机制。数据收集时一般使用马尔科夫随机场来建模数据关联结构，并通过互信息理论来量化用户的隐私损失。 2. 用户招募 一般根据不同场景的划分分别进行讨论，包括离线场景和在线场景，或者完全信息场景、部分信息场景和动态社交影响场景等，可将其转化为图的加权最大割问题进行解决。 3. 任务分配 一般将其转化为二部图最大加权匹配问题进行解决，也可利用机器学习对用户类型进行预测，进而给合适用户分配合适任务。 4. 隐私保护 解决方案可分为匿名化、数据扰动和数据加密三种。匿名化一般使用k-匿名算法，简单理解就是在一个数据集中至少无法从k-1个数据中识别出某用户的隐私信息，即将一条数据隐藏于k-1条数据中进而无法区分；数据扰动即给数据添加噪声，一般使用差分隐私，即对查询的结果加入噪声变量，使得攻击者无法辨别某一样本是否在数据集中，一个形象的说法就是，双兔傍地走安能辨我是雄雌；数据加密一般使用AES、RSA等常用加密算法，或者使用签名+加密的签密算法。 5. 数据质量 解决方案可分为真值发现、可信度和真值引出三种。真值发现是指通过对用户的感知数据进行估计，来挖掘真实可信的数据；可信度是指通过分析用户的历史数据，得出用户的可信程度，或通过感知数据中的异常点检测手段，剔除异常的感知数据，从而选取可信度较高的数据；真值引出是指通过机制设计的手段，将用户的数据质量作为影响用户激励的因素，结合对等预测等方式使得用户主动真实地上报其感知质量。 6. 激励机制 可划分为基于娱乐游戏的激励机制、基于信誉值的激励机制和基于报酬支付的激励机制，而基于报酬支付的激励机制又可划分为以平台为中心的模式和以用户为中心的模式。以平台为中心的模式是指平台给出报价，用户自行决定是否参与感知任务，分为基于时间的报酬支付、基于贡献值的报酬支付和基于数据质量的报酬支付，一般采用斯塔克伯格博弈（Stackelberg game）建模；以用户为中心的模式是指用户决定报价，由平台决定是否接受该价格，并挑选合适价格用户完成感知任务，分为离线和在线两种场景下的激励机制，一般采用反向拍卖（Reverse auction）建模，需要保证诚实性、个体理性和计算有效性。 7. 数据推断 和 感知区域选择 两个方向的研究比较欠缺，笔者只看到了一两篇关于此方面研究的文章，论文作者采用压缩感知来设计数据推断算法，而对于感知区域选择则使用机器学习理论中的强化学习算法。 群智感知理论仅用上文这小小的篇幅无疑是讲不完的，这终归只是冰山一角，因此之后笔者会慢慢地将这个理论进行完善，感谢支持！ 参考文献： [1]王凯. 基于差分隐私的群智感知数据保护方法研究[D].南京邮电大学,2020. [2]刘媛妮,李垚焬,李慧聪,李万林,张建辉,赵国锋.基于拍卖模型的移动群智感知网络激励机制[J].通信学报,2019,40(07):208-222. [3]王静. 基于强化学习的群智感知激励机制研究[D].中国科学技术大学,2021. [4]杜扬. 面向群智感知的数据收集与数据筛选技术研究[D].中国科学技术大学,2020. [5]胡佳慧. 面向群智感知系统的个性化隐私保护研究[D].武汉大学,2019. [6]倪凯敏. 面向群智感知系统的隐私保护增量真值发现算法研究[D].安徽大学,2020. [7]王鑫. 面向任务需求的群智感知任务分配模型[D].哈尔滨师范大学,2021. [8]刘文彬. 面向移动用户和时空数据的群智感知方法研究[D].吉林大学,2020. [9]杨光. 群智感知中的激励机制设计[D].浙江大学,2020. [10]李梦茹. 群智感知中基于区块链的安全激励机制研究[D].北方工业大学,2019.

智能穿戴设备的国内外研究现状主要集中在精准医疗、智能体育、安全监控、人机交互以及新型消费等领域，国外研究聚焦于技术应用、技术支持以及穿戴设备的安全性等方面，而国内研究聚焦于穿戴设备的研发、安全性能、用户体验以及应用场景等方面。