XiaoMi-AI文件搜索系统
World File Search System穿戴
使用可穿戴的24小时体育活动数据预测睡眠质量：健身跟踪方法
摘要：本研究提出了一种独特的方法，可以使用Apple Watch（例如Apple Watch）在24小时内收集的体育活动数据来估算睡眠质量。我们使用机器学习模型，即随机森林和极端的梯度提升，研究生理参数（例如心率和活动水平）与睡眠模式之间的联系。用户可以使用所产生的个性化见解来了解日常活动如何影响他们，从而提高其睡眠质量。根据我们的研究，可穿戴技术和预测分析可以改善一般健康状况。关键字：Apple Watch，可穿戴技术，机器学习，体育锻炼，健身跟踪和睡眠质量预测1.的介绍确实，预测最近日常活动的睡眠质量仍然很困难，而非常大的可穿戴设备提供了包含睡眠和体育锻炼的信息。人们监控其健康和健康的方式发生了范式转变。可穿戴设备（例如Fitbit，Apple Watch和Garmin）提供有关健康指标的实时数据，例如心率，步骤计数和能量消耗[1] [2]。这些可穿戴设备以及其他参数以及其他参数监控心率，步骤，能量使用和睡眠方式。有很多原因导致睡眠质量和睡眠时间有利于整体健康状况。此外，显然可以将睡眠不足与许多健康问题联系在一起，并严重影响有关整体福祉的风险：心血管疾病，肥胖，糖尿病和认知能力下降。睡眠不佳会导致心血管疾病，肥胖和糖尿病[7]。尽管可穿戴设备提供了有关睡眠和体育锻炼的大量信息，但根据他们的日常活动来预测睡眠的质量仍然具有挑战性。尽管今天可用的健身监视应用程序提供了有关睡眠长度，舞台分解和中断的数据；他们没有为用户提供预测性见解，以提高未来的睡眠质量。本研究解决了使用24小时内收集的体育活动数据准确预测睡眠质量的问题。我们旨在开发一个健康应用程序，该应用程序利用用户的24小时体育活动数据来通过机器学习模型来预测睡眠质量。该应用程序将利用可穿戴设备的数据来捕获诸如步骤计数，静止和主动心率，燃烧的卡路里，心率变异性（HRV），氧饱和度和VO2 Max等测量值。应用程序使用机器学习模型，例如随机森林和极端梯度提升（XGBoost），以找到与不同睡眠质量水平（优秀，中性或差）相对应的模式。
夜间心率的动态变化可以预测患者使用可穿戴心脏扭曲器 - 清除纤维器的短期心血管事件：来自Wearit-France队列研究
cohort study Rodrigue Garcia 1,2*, Peder Emil Warming 3, Kumar Narayanan 4,11, Pascal Defaye 5, Laurence Guedon-Moreau6, Hugues Blangy7, Olivier Piot 8, Christophe Leclercq 9, and Eloi Marijon 10,11on behalf of the WEARIT-France Investigators 1 Department of Cardiology, University Hospital of Poitiers，86021 Poitiers，法国； 2 Center D'HOUSTIVETINATION CLINGILE CIC1402，CHU POITIERS，86000，POITIERS，法国； 3丹麦Rigshospitalet哥本哈根大学医院心脏病学系； 4印度Telangana 500081海得拉巴医院医院心脏病学系； 5法国Grenoble 38043大学医院Grenoble Alpes心脏病学系； 6法国里尔59000的里尔大学医院的心脏和肺部研究所； 7法国南希大学医院心脏病学系，法国54500； 8法国圣丹尼斯（Saint Denis）93200心脏病学中心心脏病学系； 9法国雷恩35000大学医院心脏病学系； 10欧洲乔治·庞皮杜医院心脏病学系，巴黎Cedex 15，75908，法国； 11巴黎大学，INSERM，PARCC，F-75015法国电子邮件地址：Rodrigue.garcia@chu-poitiers.fr关键字关键字可穿戴心脏逆转不振器•心率•远程监控•远程监控•先发制体行动•预先措施•心力衰竭•心力衰竭。
对心理的被动传感：利用可穿戴技术的数据预测情绪状态
摘要。抑郁症和焦虑是世界上最常见的精神健康障碍，导致了大量发病和死亡。过去的治疗主要集中在治疗抑郁症和焦虑症上。但是，迫切需要检测慢性压力状态并可能使用即时的个性化干预措施进行干预。现代技术彻底改变了我们被动测量各种生物学和生理信号的能力。在我们的日常生活中，我们从手机，可穿戴技术，手表甚至计算机和汽车中产生大量的电子数据。在此分析中，我们专注于使用Fitbit的可穿戴数据来被动地预测日常情绪状态（例如，悲伤/紧张/焦虑与快乐）。我们使用弹性净回归机器学习算法的日常使用来自38名参与者的每日FITBIT数据和约1200天的数据来预测情绪状态（例如，悲伤/紧张/焦虑与快乐）。我们能够使用交叉验证的机器学习算法准确地预测这些状态，并确定了每个情绪状态的特征。在此概念验证分析中，我们表明，预测日常情绪状态是可行的，并且不仅可能有助于检测日常情绪状态，还可以提高被动意识并提供及时的干预措施。
Q-PPG：可穿戴设备上基于节能 PPG 的心率监测
摘要 — 使用低成本光电容积描记法 (PPG) 传感器，越来越多地在腕戴式设备中执行心率 (HR) 监测。然而，由受试者手臂运动引起的运动伪影 (MA) 会影响基于 PPG 的心率跟踪的性能。这通常通过将 PPG 信号与惯性传感器的加速度测量相结合来解决。不幸的是，大多数此类标准方法都依赖于手动调整的参数，这会削弱它们的泛化能力及其对现场真实数据的适用性。相比之下，基于深度学习的方法尽管具有更好的泛化能力，但被认为过于复杂，无法部署在可穿戴设备上。在这项工作中，我们解决了这些限制，提出了一种设计空间探索方法来自动生成丰富的深度时间卷积网络 (TCN) 系列用于心率监测，所有这些网络都来自单个“种子”模型。我们的流程涉及两个神经架构搜索 (NAS) 工具和一个硬件友好的量化器的级联，它们的组合可以产生高度准确和极其轻量级的模型。在 PPG-Dalia 数据集上进行测试时，我们最准确的模型在平均绝对误差方面创下了新的最高水平。此外，我们将 TCN 部署在具有 STM32WB55 微控制器的嵌入式平台上，证明了它们适合实时执行。我们最准确的量化网络实现了 4.41 每分钟 (BPM) 的平均绝对误差 (MAE)，能耗为 47.65 mJ，内存占用为 412 kB。同时，在我们的流程生成的网络中获得 MAE < 8 BPM 的最小网络的内存占用为 1.9 kB，每次推理仅消耗 1.79 mJ。
在7年内改变可穿戴活动监视器的用户体验：重复横断面调查研究
背景：生活方式行为，包括身体上的不活动，久坐行为，睡眠不良和不健康的饮食，会对全球人口健康产生重大影响。可穿戴活动跟踪器（WATS）已成为增强健康行为的工具；但是，它们的有效性和继续使用取决于他们的用户体验。目的：本研究旨在探索2016年至2023年WAT的用户体验，偏好和感知影响的变化。方法：我们在国际成年人队列中进行了横断面的在线调查（n = 475，包括387个当前和88个以前的WAT用户）。使用描述性统计和卡方检验将2016年横截面在线调查（n = 237，包括200个当前和37个以前的WAT用户）进行了比较。调查检查了品牌偏好，特征有用，动机，感知到的健康行为改变，社交共享行为和技术问题。结果：在2023年，苹果（210/475，44％）和Fitbit（101/475，21％）是最常用的设备，与2016年的调查相比，Fitbit（160/237，68％）和Garmin设备（39/237，17％）是最常见的。2023年的中位使用时间持续时间为18个月，比2016年报告的7个月长大，大多数用户计划持续使用。在这两个调查年份中，尽管2023年的体育活动改善与2016年相比，但与饮食或睡眠的改善相比，体育活动的改善要比饮食或睡眠的进步较大，与饮食和睡眠的感知改善相比更大。社交媒体共享WAT数据的共享显着上升到2023年的73％（283/387），从2016年的35％（70/200）上升。但是，关于技术问题和不适的报告增加了，而总体积极经验的减少也有所下降。终止原因也有明显的转变，从2016年学习一切可能到2023年的不满。结论：该研究强调了WAT使用情况的显着转变，包括扩展使用和对品牌和功能的偏好。社交媒体共享的增长表明，WATS更深入地整合到日常生活中。但是，尽管有技术进步，用户反馈指出了增强设计和功能的需求。这些发现说明了WAT在健康促进方面的潜力，强调了对不同人群中以用户为中心的设计的需求，以充分实现它们在增强健康行为方面的好处。
无缝集成：可穿戴技术的演变，设计和未来影响
可穿戴技术的快速发展标志着人类计算机中的变革阶段，将数字功能无缝地整合到日常生活中。本文探讨了可穿戴设备的历史轨迹，当前的进步和未来潜力，强调了它们对医疗保健，生产力和个人福祉的影响。关键发展包括人工智能（AI），物联网（IoT）和增强现实（AR）的整合，驱动个性化，实时适应性和增强的用户体验。该研究强调以用户为中心的设计原则，道德考虑和跨学科的合作是创建直观，包容和安全的可穿戴设备的关键因素。此外，本文研究了可持续性趋势，例如模块化设计和环保材料，将创新与环境责任保持一致。通过解决数据隐私，算法偏见和可用性之类的挑战，可穿戴技术可以重新定义人与技术之间的相互作用，从而在各种环境中提供了未经表述的丰富和赋权的机会。这种全面的分析为推进可穿戴设备的路线图提供了满足新兴社会需求的路线图，同时促进道德和可持续的增长。
弱和低频生物力学能量收获新一代可穿戴电子产品的低损失功率管理策略
简介：在可穿戴电子产品的快速发展中，它们对外部功率来源的依赖增加了功率费用，同时导致其在充电期间的运行中断。生物力学能量收割机通过将废物动能转换为电力，为自动可穿戴电子产品提供了有希望的解决方案。尽管成功地将其功率输出从μW推进到MW，但几个挑战仍然存在，包括在μA级处的低输出电流，GΩ级别的高内部阻抗和AC输出限制了其实际应用。常规功率管理电路通常在高频收割机中使用，而无需充分考虑产生的能源损失，当使用较低功率输出的低频收割机时，可能会导致电路故障。
SterlińskiM，Przybylski A，Grabowski M等。可穿戴的心脏逆转表纤颤器在波兰的临床环境中使用：全国观察性cohor
请注意，该期刊对作者提交的任何补充材料的科学准确性或功能概不负责。任何查询（除缺少内容除外）都应针对本文的相应作者。
可穿戴心电图技术
心电图是医疗专业人员武器库中的重要工具，传统上，患者被要求亲自与医疗保健从业人员见面，以记录和解释心电图（ECG）。这可能导致遗漏阵发性心律不齐，并减少患者的便利性，从而减少摄取。在消费者智能手表中内置的可穿戴心电图设备的出现使得无与伦比的患者可以使用ECG监控。这些现代设备不仅比传统的Holter监视器更便宜，而且随着人工智能（AI）主导的节奏解释，与传统的ECG-Machine解释相比，诊断准确性得到了极大的提高。提高的可穿戴能力也可能转化为检测到的心律不齐的率提高。尽管有许多积极的因素，但可穿戴的心电图技术带来了自己的挑战。诊断准确性，管理患者的期望和局限性以及将家庭心电图监测纳入临床指南中，这都是对现代临床医生的挑战。分散的监测和患者警告假定的心律不齐有可能增加患者焦虑和医疗保健探视（因此成本）。要从这些设备中更好地获取有意义的数据，提供最佳的患者护理，并为患者提供有意义的解释，提供者需要了解这些设备支撑的基本科学，这些科学与表面ECG之间的关系以及对诊断准确性的影响。本评论文章探讨了心电图的潜在生理原理，并研究了可穿戴的心电图如何改变了今天的临床景观，其局限性在其中以及临床医生将来会随着使用日益增加而期望的。
一种基于深度学习的高效解决方案，利用可穿戴传感器识别脑力负荷的相对变化
摘要 — 在本文中，提出了一种自动识别心理工作量相对变化的新解决方案。使用可穿戴传感器收集 26 名人类受试者在执行三个难度级别 n ∈{1, 2, 3} 的 n-back 任务时的 EEG、EDA、PPG 和眼动追踪数据。目标是通过将当前信号窗口与前一个信号窗口进行比较来识别心理工作量是增加、减少还是稳定。所提出的三类分类器主要使用 CNN 层和新颖的合并层，该合并层系统地捕获两个检查窗口的局部段之间的相互作用。事实上，它受到了基于 Transformer 和 CNN 的网络在时间序列分类方面的竞争成功的启发。在所提出的解决方案利用了 CNN 网络的效率的同时，由于提出了合并层，它还与 Transformer 类似，具有捕获序列局部事件之间相互作用的能力。在准确性方面，实验结果表明，在眼球方向、PPG 和 EEG 数据上，所提出的解决方案优于经典 CNN、BiLSTM 和 transformer 网络，而在眼球瞳孔直径和 EDA 数据上，其性能与 transformer 网络相当。实验结果显示，每个时期的平均训练时间明显小于 transformer 和 BiLSTM 网络。索引术语——心理工作量 (MWL)、深度神经网络 (DNN)、时间序列分类 (TSC)、眼动追踪、光电容积图 (PPG)、脑电图 (EEG)、皮肤电活动 (EDA)、n-back 任务、transformer 神经网络、卷积神经网络 (CNN)。