Driven by a wide range of real-world applications, significant efforts have recently been made to explore device-free human activity recognition techniques that utilize the information collected by various wireless infrastructures to infer human activities without the need for the monitored subject to carry a dedicated device. Existing device free human activity recognition approaches and systems, though yielding reasonably good performance in certain cases, are faced with a major challenge. The wireless signals arriving at the receiving devices usually carry substantial information that is specific to the environment where the activities are recorded and the human subject who conducts the activities. Due to this reason, an activity recognition model that is trained on a specific subject in a specific environment typically does not work well when being applied to predict another subject's activities that are recorded in a different environment. To address this challenge, in this paper, we propose EI, a deep-learning based device free activity recognition framework that can remove the environment and subject specific information contained in the activity data and extract environment/subject-independent features shared by the data collected on different subjects under different environments. We conduct extensive experiments on four different device free activity recognition testbeds: WiFi, ultrasound, 60 GHz mmWave, and visible light. The experimental results demonstrate the superior effectiveness and generalizability of the proposed EI framework.

Multi-sensor fusion has been widely used by autonomous vehicles (AVs) to integrate the perception results from different sensing modalities including LiDAR, camera and radar. Despite the rapid development of multi-sensor fusion systems in autonomous driving, their vulnerability to malicious attacks have not been well studied. Although some prior works have studied the attacks against the perception systems of AVs, they only consider a single sensing modality or a camera-LiDAR fusion system, which can not attack the sensor fusion system based on LiDAR, camera, and radar. To fill this research gap, in this paper, we present the first study on the vulnerability of multi-sensor fusion systems that employ LiDAR, camera, and radar. Specifically, we propose a novel attack method that can simultaneously attack all three types of sensing modalities using a single type of adversarial object. The adversarial object can be easily fabricated at low cost, and the proposed attack can be easily performed with high stealthiness and flexibility in practice. Extensive experiments based on a real-world AV testbed show that the proposed attack can continuously hide a target vehicle from the perception system of a victim AV using only two small adversarial objects.

Accurately reconstructing 3D hand poses is a pivotal element for numerous Human-Computer Interaction applications. In this work, we propose SonicHand, the first Smartphone-based 3D Hand Pose Reconstruction system using purely inaudible acoustic signals. SonicHand incorporates signal processing techniques and a deep learning framework to address a series of challenges. Firstly, it encodes the topological information of the hand skeleton as prior knowledge and utilizes a deep learning model to realistically and smoothly reconstruct the hand poses. Secondly, the system employs adversarial training to enhance the generalization ability of our system to be deployed in a new environment or for a new user. Thirdly, we adopt a hand tracking method based on channel impulse response (CIR) estimation. It enables our system to handle the scenario where the hand performs gestures while moving arbitrarily as a whole. We conduct extensive experiments on a smartphone testbed to demonstrate the effectiveness and robustness of our system from various dimensions. The experiments involve 10 subjects performing up to 12 different hand gestures in 3 distinctive environments. When the phone is held in one of the user’s hand, the proposed system can track joints with an average error of 18.64 mm.

Currently, obesity has been recognized to be an independent risk factor for osteoarthritis (OA), and the Metabolic Score for Visceral Fat (METS-VF) has been suggested to be potentially more accurate than body mass index (BMI) in the assessment of obesity. Nevertheless, the correlation of METS-VF with OA has not been obviously revealed yet. Therefore, this study aimed to delve into the potential relationship between METS-VF and OA. By examining data from the NHANES (2009–2018), weighted multivariate logistic regression analyses were used for assessing the correlation between METS-VF and OA. Subgroup analyses were then performed to validate the findings. Moreover, the nonlinear relationship between the two was assessed by restricted cubic spline (RCS). Receiver operating characteristic (ROC) curves were plotted to examine the diagnostic accuracy of METS-VF versus previous obesity index for OA. This study involved 7639 participants. According to our results, METS-VF was notably related to an elevated risk of OA, regardless of the METS-VF and the trend of positive association was more pronounced with the elevating METS-VF level (p for trend < 0.05). Subgroup analyses showed that the positive association between METS-VF and prevalence of osteoarthritis persisted in all populations with different characteristics, confirming its validity in all populations. Besides, RCS results showed a significant non-linear relationship between METS-VF and OA (p-non-linear < 0.05). As indicated by the ROC curve analysis results, METS-VF was a superior predictor of OA to BMI and HC. This study finds a possible nonlinear positive correlation between METS-VF and the risk of OA. In addition, METS-VF may serve as an indicator for the more accurate diagnosis of OA and provide a new way to further evaluate the relationship between visceral fat and OA.

Background: Acupuncture is an effective treatment for knee osteoarthritis (KOA), reducing pain and improving function. While melatonin (MLT) has notable pain relief benefits, the analgesic mechanism of acupuncture in KOA and its relationship with melatonin are still unknown. This study aims to explore this mechanism. Methods: In this work, the KOA rabbit model was constructed using the traditional Hulth method, and the therapeutic effect was assessed by the Lequesne MG score and Pain assessment by hot plate test. The pathological alterations of cartilage tissue were observed using hematoxylin and eosin (H&E) staining, Safranin O-fast green and MASSON staining to observe the pathological changes in cartilage tissue, and the efficacy was evaluated according to the principles of Mankin score and Osteoarthritis Research Society International (OARSI) score. Meanwhile, MLT in serum, cyclic adenosine monophosphate (cAMP) in cartilage, and matrix metalloproteinase-3 (MMP-3) in joint fluid were detected by enzyme-linked immunosorbent assay. In addition, the expression of aromatic L-amino acid N-acetyltransferase (AANAT), melatonin receptor 1 (MT1) and 2 (MT2) mRNAs in cartilage was determined by real-time quantitative reverse transcription-polymerase chain reaction, and the levels of proteins related to PKA/CREB signaling pathway were detected by Western blotting. Results: Based on the results of Lequesne MG score and Pain assessment by hot plate test experimental data, the treatment group presented significant improvements in knee pain and overall function relative to OA (Osteoarthritis) group. Besides, according to results of histologic staining, Mankin and OARSI scores, articular cartilage degeneration of treatment group remarkably improved. In addition, acupuncture significantly reduced the expression of the inflammatory factor MMP-3 in knee joint fluid and significantly increased the levels of MLT, AANAT, MT1, MT2, cAMP, PKA and CREB. Conclusion: By regulating sympathetic excitability, acupuncture may activate the MLT/cAMP/PKA/CREB signaling pathway, decrease inflammatory factor expression and slow down degradation of articular cartilage, resulting in the relief of knee pain. Keywords: acupuncture, knee osteoarthritis, MLT/cAMP/PKA/CREB pathway, melatonin