Beyond Technical Motives: Perceived User Behavior in Abandoning Wearable Health & Wellness Trackers
健康追踪器被广泛采用，以支持个人的日常健康和健康活动跟踪。它们可以帮助增加步骤，改善睡眠模式，改善健康饮食，促进整体健康。尽管可穿戴设备的采用率在增长，但它们的实际使用仍然值得怀疑。虽然一些用户从他们的跟踪器中获得了长期价值，但其他人却面临着将其融入日常生活的障碍。研究分析了这些障碍的技术方面。在本文中，我们分析了与用户习惯和生活方式环境密切相关的劝阻和可穿戴放弃的行为因素。对2017年8款高评级可穿戴设备进行了数据分析。该分析收集了Kijiji和Gumtree的销售帖子，这两个在线零售商分别在意大利和英国市场销售。我们从帖子中提取了关于用户动机的见解，突出了技术条件和限制，以及放弃之前的时间表。研究结果揭示了用户在放弃可穿戴设备时的某些行为模式。此外，对这些帖子的分析显示了帖子的其他动机，与抛弃可穿戴设备无关。
2019-04-16 cs.CY cs.HC
Wearable Computing for Health and Fitness: Exploring the Relationship between Data and Human Behaviour
健康和健身可穿戴技术最近取得了进展，使个人更容易监控他们的行为。之前自行生成的数据与用户交互以激励积极的行为改变，但当将其与长期提及可穿戴设备联系起来时就会出现问题。在这方面的研究进行了讨论。我们还考虑了一种新的方法，其中数据用于支持而不是激励，通过监控和记录来鼓励反思。根据突出的问题，我们然后就未来工作可能最有益的方向提出建议。
2016-01-29 cs.CY cs.HC
A Systematic Literature Review on Wearable Health Data Publishing under Differential Privacy
可穿戴设备生成关于个体的不同类型的生理数据。这些数据可以为医学研究人员和临床医生提供通过传统措施无法利用的有价值的见解。历史上，研究人员一直依赖于调查响应或观察到的行为。有趣的是，生理数据可以提供比从任何其他来源（包括用户自己）获得的更丰富的用户认知。因此，廉价的消费级可穿戴设备已成为健康研究人员的兴趣点。此外，它们还用于连续的远程健康监测，有时也被保险公司使用。然而，这种用例最大的问题是个人的隐私。抽象和k-匿名等几种隐私机制在信息系统中得到了广泛的应用。最近，差分隐私（DP）已经成为发布隐私敏感数据（包括来自可穿戴设备的数据）的熟练技术。在本文中，我们进行了系统性文献综述（SLR），以识别，选择和批判性地评价DP的研究，以及了解不同的技术和DP在可穿戴数据发布中的现有使用。根据我们的研究，我们已经确定了所提出的解决方案的局限性，并提供了未来的方向。
2021-09-15 cs.CR cs.CY
Development of UMLS Based Health Care Web Services for Android Platform
在这个快速发展的信息世界中，医学知识的数量正在以指数级增长。UMLS（统一医学语言系统）是由文件和软件组成的丰富的知识库，提供了许多健康和生物医学词汇和标准。Web服务是一种通过网络促进机器对机器交互的Web解决方案。目前，很少有UMLSWeb服务可用于便携式设备，但大多数都缺乏效率和性能。它建议开发基于Android的Web服务的医疗保健系统下的UMLS丰富的知识源。通过实验评估，分析了使用和不使用所设计的原型的效率和性能效果。与原型的理解能力和互动大于那些使用替代来源来获得他们的问题的答案。总体性能表明，该系统使用方便，易于操作。评估的结果清楚地证明，所设计的系统检索所有相关的信息比句法搜索。
2016-12-22 cs.CY cs.IR cs.SE
The Quantified Body: Identity, Empowerment, and Control in Smart Wearables
本文结合控制社会、监控资本主义等理论，探讨智能可穿戴设备如何将身体转化为数据，重构身体自主权并将健康赋权话语转向新自由主义合规模式，还探索了可穿戴设计与治理的替代路径并呼吁范式转变。
2025-07-08 cs.CY
An Energy Efficient Wearable for Monitoring Elderly People Health
Graduate Program in Computer Science at Pontifical Catholic University of Rio Grande do Sul (PPGCC/PUCRS)（南里奥格兰德天主教大学计算机科学研究生项目）；Graduate Program in Biomedical Gerontology at Pontifical Catholic University of Rio Grande do Sul (GERONBIO/PUCRS)（南里奥格兰德天主教大学生物医学老年学研究生项目）
本文提出一种基于Sigfox物联网和手表型可穿戴设备的老年人健康监测系统，通过感知运动、位置和生命体征预测风险，实现至少30天电池寿命，具有低成本、低功耗和高效性。
2026-09-22 cs.CY eess.SP
DeepWear: Adaptive Local Offloading for On-Wearable Deep Learning
Peking University（北京大学）；University of Minnesota – Twin Cities（明尼苏达大学双城分校）；Korea Advanced Institute of Science and Technology（韩国科学技术院）
由于可穿戴设备的身体和无处不在的性质，它们可以生成各种独特的传感器数据，为深度学习任务创造无数机会。我们提出了DeepWear，一个用于可穿戴设备的深度学习（DL）框架，以提高性能并减少能源足迹。DeepWear通过本地网络将DL任务从可穿戴设备战略性地卸载到其配对的手持设备。与基于远程云的卸载相比，DeepWear不需要互联网连接，消耗更少的能源，并且对隐私泄露具有鲁棒性。DeepWear提供了各种新颖的技术，如上下文感知卸载，战略模型分区和流水线支持，以有效地利用附近配对手持设备的处理能力。DeepWear作为用户空间库部署，提供开发人员友好的API，与传统DL库（如TensorFlow）中的API一样简单。我们已经在Android操作系统上实现了DeepWear，并在COTS智能手机和具有真实DL模型的智能手表上进行了评估。DeepWear带来了高达5.08倍和23.0倍的执行加速，以及53.5%和85.5%的节能相比，仅可穿戴和仅手持策略，分别。
2021-01-13 cs.CY cs.LG
Wearable Health Monitoring System for Older Adults in a Smart Home Environment
University of Kentucky（肯塔基大学）
物联网的出现使互联和集成的智能健康监测系统的设计成为可能。这些智能健康监测系统可以在智能家居环境中实现，为老年人提供长期护理。在本文中，我们提出了一个可穿戴健康监测系统，适合老年人在智能家居环境中的设计。所提出的系统提供了在智能家居环境中监测个人的压力、血压和位置的解决方案。在这项工作中提出的压力检测模型使用嵌入在智能腕带中的皮肤电活动（EDA），光电容积脉搏波（PPG）和皮肤温度（ST）传感器来检测生理压力。压力检测模型使用从唾液皮质醇获得的压力标签进行训练和测试，唾液皮质醇是临床上建立的生理压力的生物标志物。一个基于语音的原型也实现了所提出的系统集成在智能家居环境中的可行性进行了分析，通过模拟数据采集和流的情况。我们还提出了一个血压估计模型，使用PPG信号和先进的回归技术与可穿戴健康监测系统中的压力检测模型集成。最后，一个语音辅助室内定位系统的设计提出了与智能家居环境内的建议系统集成。提出的可穿戴健康监测系统是实现具有广泛诊断能力的智能家居环境的一个重要方向，这样的系统可以用于在舒适的家中为老年人提供长期和个性化的护理。
2021-06-09 cs.CY cs.HC cs.LG
Identifying differences in physical activity and autonomic function patterns between psychotic patients and controls over a long period of continuous monitoring using wearable sensors
数字表型是一个新兴的多学科领域，有可能彻底改变精神病学及其临床实践。在本文中，我们提出了一个严格的统计分析，从可穿戴数据中提取的短期功能，在长期连续监测精神障碍患者和健康对照同行。我们的新分析确定了两组之间显著波动的特征，并提供了对区分它们的几个因素的见解，这些因素可以在未来用于预防复发和个性化援助。
2020-10-30 cs.CY
HIPAAChecker: The Comprehensive Solution for HIPAA Compliance in Android mHealth Apps
针对mHealth应用开发者对HIPAA准则认知不足的问题，研究提出HIPAAChecker框架，将开发IDE插件与网页界面，分别助力开发者合规开发、帮助消费者评估应用隐私安全性，推动安全合规的mHealth应用发展。
2025-10-06 cs.CR cs.CY
AirGuard -- Protecting Android Users From Stalking Attacks By Apple Find My Devices
一般来说，网络，特别是苹果的“查找我的”网络，如果这些网络被滥用于跟踪，可能会对用户的隐私甚至健康构成严重威胁。苹果发布的AirTag，一个非常实惠的跟踪器，几乎无处不在的Find My网络覆盖，放大了这个问题。虽然苹果在其生态系统中提供了跟踪检测功能，但数十亿Android用户仍然被蒙在鼓里。苹果最近发布了Android应用程序“跟踪检测”，它没有提供一个令人信服的跟踪保护功能集。我们对苹果在iOS中的跟踪保护进行逆向工程，并讨论其关于跟踪检测的功能。我们设计了“AirGuard”，并将其作为Android应用程序发布，以防止Apple跟踪设备的滥用。我们将我们的解决方案的性能与Apple在iOS中提供的解决方案进行了比较，并使用数万名活跃用户提供的数据研究了AirGuard在多周内的野外使用情况。
2022-02-23 cs.CR cs.CY
Learning Generalizable Physiological Representations from Large-scale Wearable Data
University of Cambridge（剑桥大学）；Alan Turing Institute（艾伦·图灵研究所）
到目前为止，对配备传感器的移动设备的研究主要集中在人类活动识别（步行，跑步等）的纯监督任务上，在从低水平信号（如加速度）推断高水平健康结果方面取得了有限的成功。在这里，我们提出了一种新的自监督表示学习方法，使用活动和心率（HR）信号没有语义标签。通过深度神经网络，我们将HR响应设置为活动数据的监督信号，利用其潜在的生理关系。我们在最大的自由生活组合传感数据集（包括超过280，000小时的手腕加速度计和可穿戴ECG数据）中评估了我们的模型，并表明所产生的嵌入可以通过线性分类器的迁移学习在各种下游任务中推广，捕获生理上有意义的个性化信息。例如，它们可用于预测（高于70 AUC）与个人健康，健身和人口统计学特征相关的变量，优于无监督自动编码器和常见的生物标记物。总的来说，我们提出了第一个多模式自我监督方法的行为和生理数据与大规模的健康和生活方式监测的影响。
2020-11-09 cs.AI cs.CY cs.LG
A Deep Learning based Wearable Healthcare IoT Device for AI-enabled Hearing Assistance Automation
Northumbria University（诺森比亚大学）；Lancaster University（兰卡斯特大学）；Cardiff University（卡迪夫大学）
随着最近人工智能（AI）的蓬勃发展，特别是深度学习技术，数字医疗保健是可以从AI功能中获益的流行领域之一。这项研究提出了一种新的支持AI的物联网（IoT）设备，该设备在ESP-8266平台上运行，能够帮助听力受损或耳聋的人在对话中与他人交流。在所提出的解决方案中，创建了一个服务器应用程序，该应用程序利用Google的在线语音识别服务将接收到的对话转换为文本，然后部署到连接到眼镜的微型显示器上，向聋人显示对话内容，以实现并帮助与普通人群进行正常对话。此外，为了提高交通或危险场景的警报，使用具有迁移学习的深度学习模型Inception-v4开发了“城市紧急情况”分类器，以检测/识别警报/报警声音，例如喇叭声或火警，并生成文本以提醒预期用户。Inception-v4的培训是在消费者台式PC上进行的，然后实施到基于AI的物联网应用程序中。实验结果表明，所开发的原型系统达到了92%的准确率与实时性能的声音识别和分类。
2020-05-16 cs.CV cs.CY cs.HC
Task Offloading for Smart Glasses in Healthcare: Enhancing Detection of Elevated Body Temperature
University of Science and Technology Beijing（北京科技大学）；University of Djelfa（杰勒法大学）；University College Dublin（都柏林大学学院）
本文研究智能眼镜在医疗体温筛查中的任务卸载问题，通过评估完成时间、算力与能耗识别最佳卸载条件，并以机场 COVID-19 体温升高检测场景验证其实用价值。
2023-08-14 cs.AI cs.CY cs.NI
Self-supervised transfer learning of physiological representations from free-living wearable data
University of Cambridge（剑桥大学）；Alan Turing Institute（阿兰·图灵研究所）
智能手表等可穿戴设备正在成为越来越受欢迎的工具，用于客观地监测自由生活条件下的身体活动。到目前为止，研究主要集中在人类活动识别的纯监督任务上，在从低水平信号推断高水平健康结果方面取得的成功有限。在这里，我们提出了一种新的自监督表示学习方法，使用活动和心率（HR）信号，没有语义标签。通过深度神经网络，我们将HR响应设置为活动数据的监督信号，利用它们的潜在生理关系。此外，我们提出了一个自定义的分位数损失函数，占长尾HR分布存在于一般人群。我们在最大的自由生活组合传感数据集（包括> 28万小时的手腕加速度计和可穿戴ECG数据）中评估我们的模型。我们的贡献是双重的：i）预训练任务创建了一个模型，可以仅基于廉价的活动传感器准确预测HR，ii）我们通过提出一种简单的方法来利用通过该任务捕获的信息，将学习到的潜在表示（嵌入）从窗口级聚合到用户级。值得注意的是，我们表明嵌入可以通过线性分类器的迁移学习在各种下游任务中推广，捕获生理上有意义的个性化信息。例如，它们可用于预测与个人健康，健身和人口统计特征相关的变量，优于无监督自动编码器和常见的生物标记。总的来说，我们提出了第一个多模式自我监督方法的行为和生理数据与大规模的健康和生活方式监测的影响。
2020-11-18 cs.CY cs.LG eess.SP
