在本文中，我们利用一种新的数据处理方法和定制的人工卷积神经网络（CNN）设计了一个远程手势识别模型。首先，我们将手势分解为多个反射点，并提取它们的时空特征来描述手势的细节。其次，我们设计了一个CNN来分别学习提取特征的变化模式并输出识别结果。我们通过在商品毫米波雷达上实施，对我们提出的系统进行了全面评估。此外，我们还提供了更广泛的评估，以证明所提出的系统在几个现实世界场景中是实用的。

在本文中，我们描述了RBN和CNN之间的混合系统，用于利用梅尔频率倒谱系数的特征来学习婴儿哭声识别的特定类别特征。通过验证所提出的婴儿哭声识别模型，我们对5种类型的婴儿哭声的准确率为78.6%。

我们设计了一种非接触式数据采集设备来记录受试者在私人卧室中的夜间睡眠呼吸音频，并提出了一种用于自动打鼾检测的混合卷积神经网络（CNN）模型。该模型由处理原始信号的一维（1D）CNN和表示通过可见性图方法映射的图像的二维（2D）CNN组成。在我们的实验中，我们的算法实现了89.3%的平均分类准确率、89.7%的平均灵敏度、88.5%的平均特异性和0.947的平均AUC，这超过了根据我们的数据训练的一