EvoAED: 基于演化优化算法的AED立体化点位分布及指示

心脏骤停（SCA）的抢救成功率与4分钟内获取AED直接相关。传统AED部署较为随意，依赖静态人口数据，忽略动态交通拥堵、实时人流动线等关键因素，导致实际覆盖盲区频现。
EvoAED项目通过演化优化算法+GPU超算力，突破性实现城市级AED网络动态优化，结合创新创意设计的高识别AED指示系统，让每一台AED在关键时刻”找得到、用得上”。

CPREval: 多视角多标签心肺复苏动作数据集及其分析

精细化的医疗动作评估（如心肺复苏 CPR）面临独特挑战：缺乏全面数据集、精度要求严苛、以及对快速动作的时空动态建模不足。现有方案难以满足临床对动作精准度与实时反馈的需求。

CPREval-6k 数据集是业界首个大规模、多视角、多标签医疗动作基准，包含 6,372 段专家标注视频，涵盖 22 项关键临床动作标签。它旨在为医疗动作识别与分析算法的开发与评估提供坚实基础，突破数据瓶颈。

GaussMedAct: 基于多元高斯表征学习的医学动作分析

在医疗场景下，动作分析需克服快速动作的复杂时空动态、传感器噪声干扰以及对细微差异的高精度识别要求。传统模型往往计算冗余或难以捕捉精细动作语义。

GaussMedAct 创新性地提出基于多元高斯表征的医疗动作分析框架。它将人体关节运动映射到时变多维空间，自适应分解为保留运动语义的 3D 高斯，通过各向异性协方差建模有效对抗时空噪声。其混合空间编码策略（笛卡尔坐标+骨骼向量双流）深度挖掘骨骼信息。该方法在 CPREval-6k 上取得 92.1% 的 Top-1 准确率，实时推理速度下，性能超越 ST-GCN 基线 +5.9%，计算量（FLOPs）仅需 10%。