EventSleep: Sleep Activity Recognition with Event Cameras

事件相机由于其独特的特性，在暗环境下进行活动识别是一项具有前途的技术。然而，在低光条件下的真实事件相机数据集仍然很少，这也限制了解决这些问题的方法数量，从而限制了这项技术在许多应用中的潜力。我们提出了EventSleep，这是一个新的数据集和方法，旨在填补这一空白，并研究事件相机在非常相关的医疗应用中的适用性：睡眠监测和睡眠障碍分析。该数据集包含同步的事件和红外记录，模拟在睡眠期间发生的常见运动，从而产生了一个新的具有挑战性和独特的数据集，用于在黑暗环境中进行活动识别。我们的新型流程能够在这些具有挑战性的条件下实现高精度，并采用贝叶斯方法（Laplace合奏）来增加预测的鲁棒性，这对于医疗应用至关重要。我们的工作是贝叶斯神经网络在事件相机中的第一个应用，Laplace合奏在实际问题中的第一个应用，并首次证明了事件相机在新的应用领域中的潜力：增强当前的睡眠评估程序。我们的活动识别结果突显了事件相机在黑暗条件下的潜力，以及其进行睡眠活动识别的能力和鲁棒性，并开放了问题，如如何适应事件数据预处理技术到黑暗环境中。

本文旨在解决事件相机在低光环境下活动识别的问题，提出了一个新的数据集和方法用于睡眠监测，以探索事件相机在医疗应用中的潜力。

本文提出了一个新的数据集和方法，使用贝叶斯神经网络和Laplace集成来提高预测的鲁棒性，成功地应用于事件相机的睡眠监测。

本文是第一个将贝叶斯神经网络和Laplace集成应用于事件相机的研究，同时也是第一个探索事件相机在医疗应用中的潜力的研究。实验结果表明，事件相机在低光环境下具有很高的准确性和鲁棒性，可以用于睡眠活动识别。

最近的相关研究包括使用事件相机进行行人检测和跟踪，以及使用事件相机进行机器人视觉和自主导航。相关论文包括：“Event-based pedestrian detection and tracking”和“Event-Based Visual Navigation with Deep Reinforcement Learning”。