比较基于深度学习的水下声信号分类的声学表示方法：以虎鲸（Orcinus orca）的发声为例

《Ecological Informatics》：Comparing acoustic representations for deep learning-based classification of underwater acoustic signals: A case study on orca ( Orcinus orca) vocalizations

手机健康应用中的移动 crowdsensing（MCS）系统和生态 momentary 评估（EMA）应用通过PRISMA指南系统综述，分析发现MCS系统多用于环境、位置服务等领域，以 opportunistic 感知为主，而EMA应用更侧重心理健康、实时数据收集，并以 participatory 感知为主。两者传感器使用存在差异，MCS更多使用GPS、加速度计，EMA则更多依赖麦克风和摄像头。研究指出当前技术框架碎片化，缺乏标准化，并建议建立开源工具库和制定技术报告指南。

　　在当今数字化和移动设备广泛普及的时代，智能手机已经成为人们日常生活中不可或缺的一部分。它们不仅改变了我们的沟通方式，还推动了移动健康（mHealth）应用的快速发展。mHealth应用利用智能手机内置的传感器，如摄像头、麦克风和GPS，以收集用户健康相关的数据，从而提升健康管理的效率和质量。随着全球超过5亿用户将这些应用纳入日常健康管理，mHealth技术的应用范围和影响力不断扩大，尤其是在医疗领域。本文旨在对移动健康应用中的两个关键技术——移动群体感知（Mobile Crowdsensing, MCS）系统和生态瞬间评估（Ecological Momentary Assessment, EMA）应用进行全面分析，以揭示它们的技术架构、应用场景和当前研究趋势。

MCS是一种基于移动设备的分布式数据采集方法，它通过大量用户的智能手机收集数据，以提供关于环境、基础设施和社会行为的广泛信息。这种方法利用了智能手机的高灵敏度和广泛的用户基础，使得数据收集更加高效和全面。然而，MCS在医疗领域的应用相对较少，主要因为其技术复杂性和研究资源的分散。尽管如此，MCS在环境监测、交通管理和城市规划等非医疗领域已经取得了显著进展。

EMA则是一种实时数据采集方法，通过智能手机的传感器和应用软件，收集用户在日常生活中对健康状况的即时反馈。这种方法能够减少回忆偏差，提供更准确的健康数据，特别是在心理和行为研究中。EMA的应用不仅限于医疗领域，还涵盖了个人健康管理和社交互动等多个方面。然而，EMA在技术实现和数据收集方法上仍然存在一定的局限性，例如数据质量控制和用户参与度的维持。

本文通过系统文献分析，对MCS系统和EMA应用进行了深入探讨。分析显示，MCS系统在技术实现上更加多样化，涉及多种传感器和数据收集方法，而EMA应用则更加注重用户参与和实时反馈。此外，MCS系统在Android平台上较为常见，而EMA应用则在Android和iOS平台上都有广泛的应用。这种平台的多样性反映了技术发展的趋势，但也带来了兼容性和标准化的挑战。

在应用场景方面，MCS系统主要集中在基础设施、环境监测和位置服务等领域，而EMA应用则更多地关注个体健康和行为评估。这种差异表明，MCS和EMA在技术实现和应用场景上各有侧重，但两者都具有广泛的潜力。随着技术的不断进步和研究的深入，MCS和EMA在医疗领域的应用可能会更加广泛，为健康管理和疾病预防提供新的解决方案。

本文还指出了当前研究中的一些局限性，例如对MCS系统和EMA应用的全面评估不足，以及缺乏标准化的技术框架。这些局限性可能会影响研究成果的可比性和可重复性，因此需要进一步的研究和改进。此外，研究还建议未来的工作应关注技术标准化和数据共享，以促进mHealth技术的进一步发展和应用。

总之，MCS和EMA技术在移动健康领域展现出了巨大的潜力。通过系统分析和深入探讨，本文为研究人员和实践者提供了有价值的资源，帮助他们更好地理解和应用这些技术。随着技术的不断进步和研究的深入，MCS和EMA有望在未来发挥更大的作用，为健康管理和疾病预防提供新的解决方案。