XiaoMi-AI文件搜索系统
World File Search SystemWear
通过可穿戴脑电图培养的一种神经经济学方法，用于对驾驶员受训者的多模式评估
1个工业神经科学实验室，罗马萨皮恩扎分子医学系，意大利罗马00185； daniele.germano@uniroma1.it（D.G.）; gianluca.borghini@uniroma1.it（G.B.）; Capotorto.1843967@studenti.uniroma1.it（R.C.）; fabio.babiloni@uniroma1.it（F.B.）2 Brainsigns SRL，00198意大利罗马； andrea.giorgi@uniroma1.it（A.G.）; vincenzo.ronca@uniroma1.it（V.R.）; alessia.vozzi@uniroma1.it（a.v.）; luca.tamborra@uniroma1.it（L.T。）; ialilia.simonetti@uniroma1.it（I.S.）; silvia.ferrara@brainsigns.com（S.F.）; nicolina.sciaraffa@gmail.com（N.S.）; pietro.arico@uniroma1.it（p.a.）3解剖学，组织学，法医学和骨科科学系，罗马萨皮恩扎大学，00185罗马，意大利4号，4 4计算机，控制和管理工程安东尼奥·鲁伯蒂gianluca.di fimeri@uniroma1.it
利用机器学习技术通过可穿戴设备对运动员进行基于物联网的健康监测
物联网 (IoT) 的快速发展和扩张为医疗保健行业带来了巨大的希望。目前，运动中的健身追踪器、无线技术和身体传感器对医疗保健系统的日常性能和可靠性有重大影响。在从精英运动员到患者的各种群体中，可穿戴设备在评估生理参数、促进健康和提高锻炼依从性方面变得越来越重要。本文旨在确定运动医学诊所和团队表现服务，并改进技术的使用，以帮助运动员重返各种运动。提出了机器学习方法，以有效优化测试和监测运动员的健康状况。来自健康物联网的可穿戴传感器数据是机器学习可以解锁的丰富信息来源。这项工作的关键创新之处在于物联网、可穿戴设备和机器学习算法的集成，以实现对运动员的全面和持续的健康监测。目标是增强运动员的健康，预防伤害，优化训练计划，提高整体表现。因此，本研究介绍了基于物联网的可穿戴传感器智能手表，用于运动员的持续健康监测系统。基于机器学习的集成朴素贝叶斯分类器 (ENBC) 用于预测运动员的健康活动。研究结果表明，基于机器学习的分类的平均准确率为 98.63%，与其他传统方法相比，准确率较高。本研究中描述的机器学习方法无疑是其他方法中最有效、最可靠、最准确的。使用智能手表监测一个人的运动健康越来越受欢迎，因为它价格低廉、佩戴方便，并且符合消费者心理。
使用可穿戴传感器收集的心率和手动加速数据评估大学生的精神压力
压力是各种心理健康障碍，包括大学生的抑郁和焦虑。早期压力诊断和干预可能会降低患精神疾病的风险。我们使用了一种基于机器学习的方法来使用自然主义研究中收集的数据鉴定压力，该研究利用自我报告的压力作为基础真理以及生理数据，例如心率和手动加速。这项研究涉及来自一个大型校园的54名大学生，他们使用可穿戴腕部的传感器和移动健康（MHealth）应用程序连续40天使用。该应用程序收集了生理数据，包括以一个Hertz频率的心率和手动加速。该应用程序还通过敲击手表面来使用户能够自我报告压力，从而产生了自我报告的压力的时间标记记录。我们使用心率和加速度计数据创建，评估和分析的机器学习算法，用于识别大学生之间的压力事件。XGBoost方法是最可靠的模型，AUC为0.64，精度为84.5％。手动加速度的标准偏差，心率的标准偏差和最小心率是压力检测的最重要特征。该证据可能支持使用智能手表传感器识别生理反应中的模式的功效，并可能为实时检测压力的未来工具的设计提供信息。关键字：心理健康，机器学习，压力，学生，检测
可穿戴的胰岛素生物传感器用于糖尿病管理
摘要：我们对可穿戴胰岛素生物传感器的当前进展进行了批判性综述。已有40多年的历史了，葡萄糖生物传感器已用于糖尿病管理。血糖的测量是计算胰岛素给药剂量的间接方法，这对于胰岛素依赖性糖尿病患者至关重要。旨在与现有葡萄糖生物传感器结合使用胰岛素监测生物传感器的研究和开发工作，预计将更准确地估算胰岛素敏感性，调节胰岛素剂量，并促进可靠的人工胰腺的发展，以开发出可靠的人工胰腺，作为糖尿病的最终靶向和个性化药物。用于胰岛素检测的常规实验室分析技术昂贵且耗时，并且缺乏实时监测能力。另一方面，生物传感器提供了护理点测试，连续监测，小型化，高特异性和敏感性，快速响应时间，易用性和低成本。当前的研究，未来的发展和胰岛素生物传感器技术的挑战得到了审查和评估。在该领域的最新发展中介绍了不同的胰岛素生物传感器类别，例如基于适体的，基于分子的印迹聚合物（MIP）的无标签和其他类型的类型。这个多学科领域要求科学家，工程师，临床医生和行业之间参与，以应对商业，可靠，实时监控可穿戴胰岛素生物传感器的挑战。
通过可穿戴设备进行姿势和步态评估
摘要：在医学和体育科学中，姿势评估是步态和姿势矫正的重要组成部分。目前有多种用于量化姿势系统效率和确定姿势稳定性的仪器，这些仪器被认为是最先进的。然而，这些系统在可访问性、经济成本、尺寸、侵入性、可用性和耗时设置方面存在许多限制。为了缓解这些限制，本项目旨在验证如何组装和使用可穿戴设备为人类受试者提供反馈，以改善步态和姿势，这可以应用于运动表现或运动障碍康复（来自神经退行性疾病、衰老或受伤）。该项目分为三个部分：第一部分提供实验方案，用于研究基于最先进仪器的动作预期和控制姿势和步态的相关过程。第二部分为这些措施提供了一种生物反馈策略，涉及低成本可穿戴系统的设计。最后，第三部分提供生物反馈的算法处理，以根据表现条件（包括个体差异）定制反馈。在这里，我们提供了一个详细的实验设计，通过一个联合架构来区分重要的姿势指标，该架构集成了最先进的姿势和步态控制仪器以及基于低成本设备和可免费访问的机器学习技术的数据收集和分析框架。对 12 名受试者的初步结果表明，所提出的方法准确识别了定义的运动任务的阶段（即旋转、就位、APA、放下和恢复），总体 F1 分数分别为 89.6% 和 92.4%，涉及受试者独立和受试者依赖的测试设置。
使用健身可穿戴设备来衡量和促进准备就绪
执行摘要本报告响应房屋报告117-118，第106-107页，随附H.R.4350，《国防授权法》（NDAA）（FY）2022和HOUSE REPORT 117-397，第115页，随附H.R.7900，2023财年的NDAA，用于使用健身可穿戴设备来衡量和促进准备就绪。众议院报告117–118和117–397要求国防部长向众议院武装部队委员会提供有关可穿戴技术提高准备就绪的潜力的报告。为了整理有关现有，计划和推荐的计划的信息，来自众多组成部分，这些组件在感兴趣的健身可穿戴设备领域内正在进行的活动，国防部（DOD）于2022年5月9日，2022年和2022年9月15日提交了临时报告。众议院报告在报告中要求以下内容：
为期五天的可穿戴设备与人工智能和机器学习研讨会 - ...
在过去的 20 年里，无线技术已经发展成为从基于实验室的移动性测量转向自由生活的有前途的解决方案。已经设计了几种潜在的可穿戴设备用于定制的移动医疗监测和管理。人工智能 (AI) 使设备能够通过有用的见解来预测健康和福祉，从而进一步推动了可穿戴技术的发展。将人工智能与可穿戴技术相结合的优势在于有可能分析各种有价值的数据以进行持续的健康监测。支持人工智能的可穿戴设备将能够学习用户的模式来评估潜在状况，并可能发出警告信号。随着应用的兴起，可穿戴智能设备正在成为真正的助手，从而改善客户体验。
从大脑到运动：基于可穿戴设备的运动意图预测人类神经系统
图2：脑电图设备中的最新突破。（a）PEDOT的干电极：PSS转移的CVD石墨烯膜[49]。（b）由纹身样电子设备和无线EEG耳塞设备组成的微型可穿戴式脑电图设备[54]。（c）基于LM纸的基于LM的自供电的E-Skin [57]。（d）行业的脑电图设备（左：Cognixion One耳机；中间：内核流耳机；右：Synchron的Stentrode）[56]。