"Your Doctor is Spying on You": An Analysis of Data Practices in Mobile Healthcare Applications
University of Denver（丹佛大学）；George Mason University（乔治梅森大学）
研究分析了272个Android mHealth应用的数据安全问题，发现大量应用存在权限滥用、加密不足和隐私风险，呼吁加强安全审查和设计实践以保护患者健康信息。
2025-12-19 cs.CR cs.CY cs.HC
A Machine Learning Based Framework for the Smart Healthcare Monitoring
Utah State University（犹他州立大学）
在本文中，我们提出了一种新的框架，智能医疗系统，在那里我们采用压缩感知（CS）和最先进的机器学习的降噪以及交替方向的乘法器（ADMM）结构的组合。由于ADMM的模块化结构，这种集成大大简化了低复杂度编码器的软件实现。此外，我们专注于从图像流中检测跌倒动作。因此，本研究的主要目的是尽可能清晰地重建图像，因此有助于训练分类器的检测步骤。对于这个高效的智能健康监测框架，我们采用训练的二进制卷积神经网络（CNN）分类器的跌倒动作分类器，因为这个方案是监控场景的一部分。在这种情况下，我们处理的fallimages，因此，我们压缩，传输和重建fallimages。实验结果表明，网络参数的影响和显着的性能增益的建议相比，传统的方法。
2020-04-04 cs.CV cs.HC cs.LG
Internet of Mirrors for Connected Healthcare and Beauty: A Prospective Vision
本文针对美容与医疗智能系统功能单一、可及性和整体性不足的问题，提出由互联智能镜构成的统一视觉平台Internet-of-Mirrors（IoM），并梳理支撑技术、应用场景、挑战与未来方向。
2024-12-04 cs.HC
MHealth: An Artificial Intelligence Oriented Mobile Application for Personal Healthcare Support
Suleyman Demirel University（苏莱曼·德米雷尔大学）
本研究的主要目的是介绍一个基于专家系统的移动健康应用程序，需要人工智能的支持，考虑以前介绍的解决方案，从文献和采用可能的要求，一个更好的解决方案。由于这项研究，设计开发了一个具有人工智能支持并针对日常生活中常见的健康问题提供动态支持的移动软件系统，并通过调查和基于诊断的评估任务对其进行了评估。评价任务表明移动保健系统取得了积极成果。
2021-08-18 cs.AI cs.HC cs.LG
System X: A Mobile Voice-Based AI System for EMR Generation and Clinical Decision Support in Low-Resource Maternal Healthcare
Lahore University of Management Sciences（拉合尔管理科学大学）；University of New South Wales（新南威尔士大学）
System X通过语音识别和大语言模型生成电子病历并标记临床风险，适用于低资源环境中的产科医疗
2025-12-13 cs.HC
HealthSLM-Bench: Benchmarking Small Language Models for Mobile and Wearable Healthcare Monitoring
School of Computing and Information Systems, University of Melbourne, Australia（墨尔本大学计算机与信息系统学院）；School of Computer Science, University of Auckland, New Zealand（奥克兰大学计算机科学学院）
本研究构建HealthSLM-Bench基准，评估小型语言模型（SLMs）在医疗预测任务的表现，发现SLMs性能接近大型语言模型且效率、隐私性更优，为隐私保护型医疗监护提供新方向。
2026-07-30 cs.AI cs.HC cs.LG
Mobile Device Type Substitution
如今，移动用户与各种移动终端类型交互，包括智能电话、平板电脑、智能手表等。然而，对移动终端类型替代的研究在几个方面受到限制，包括缺乏详细和可靠的分析。因此，在这项工作中，我们研究移动终端类型的替代，通过分析多设备的使用数据，从一个大的美国为基础的用户面板。具体而言，我们使用配对用户组的回归分析来测试五种设备类型替代假设。我们发现平板电脑和PC都是智能手机的部分替代品，平板电脑和PC的拥有分别使智能手机的使用时间减少了约12.5和13小时/月。此外，我们发现平板电脑和PC也分别提示约20和57小时/月的额外（非替代）使用。我们还说明了显着的用户间的多样性，替代和额外的使用。总体而言，我们的研究结果可以帮助理解不同类型的移动终端的相对定位，并在参数化更高层次的移动生态系统模型。
2018-03-24 cs.HC
An Evolutionary Study of Rich Mobile Applications
随着当前智能手机作为真正的普适计算设备的爆炸式增长，交付丰富的用户体验（RUX）需要自适应应用程序架构。富移动应用（RMA）很可能是未来移动应用的候选架构，为智能手机用户提供丰富的，身临其境的体验。军事革命领域的研究和发展已经开始，并在文献中出现了一些成果，这些成果倡导了军事革命的未来趋势，并鼓励对军事革命进行审查。本文旨在介绍RMA的概述，并明确说明富Internet应用程序（RIA）（类似桌面的Web应用程序）和RMA之间的区别，以促进和加速以智能手机为中心的应用程序开发工具和技术的开发。定义了RMA，介绍了其全面概述，并描述了当前的趋势。我们的研究表明，尽管军事革命和RIA的字面相似，他们有不同的内在架构。隐含地，理解PC和智能手机中的丰富性交付之间的区别以及RIA和RMA之间的内在相似性和差异的知识有助于开发增强的智能手机应用程序以将RUX交付给移动客户端。
2012-08-22 cs.HC
Internet of Things Device Capabilities, Architectures, Protocols, and Smart Applications in Healthcare Domain: A Review
University of Waterloo（滑铁卢大学）；King Saud University（沙特国王大学）
如今，互联网已经普及到世界上几乎每一个国家，对人们的生活产生了前所未有的影响。物联网（IoT）在无线通信时代越来越受欢迎，并且由于其多样化的应用而引起从业者和学者的高度兴趣。物联网是一种技术，它使日常事物变得更加精明，日常计算变得更加智能，日常通信变得更加有洞察力。本文简要介绍了最常见和最流行的物联网设备功能、架构和协议，以便为该领域的研究人员提供物联网技术的清晰概述。详细描述了常见的物联网设备功能，包括硬件（Raspberry Pi，Arduino和ESP8266）和软件（操作系统和内置工具）平台。最近发展和使用的广泛使用的架构是三层架构、基于SOA的架构和基于中间件的架构。物联网的流行协议包括CoAP，MQTT，XMPP，AMQP，DDS，LoWPAN，BLE和Zigbee，这些协议经常用于开发智能物联网应用程序。此外，这项研究还深入概述了基于物联网技术的潜在医疗保健应用，以解决各种医疗保健问题。最后，本文总结了最先进的知识，突出了开放的问题和缺点，并提供了进一步研究的建议，这将是非常有益的任何人有希望在这一领域工作，并取得突破，以获得在这一领域的专业知识。
2023-01-04 cs.AI cs.HC
MemoryCompanion: A Smart Healthcare Solution to Empower Efficient Alzheimer's Care Via Unleashing Generative AI
New York University Abu Dhabi（纽约大学阿布扎比分校）
本文提出针对阿尔茨海默病护理的数字医疗解决方案MemoryCompanion，结合GPT、提示工程、语音克隆与说话人面孔技术，实现个性化交互以缓解患者孤独感并解决相关护理与技术挑战。
2023-11-20 cs.AI cs.CL cs.HC
CitySolution: A complaining task distributive mobile application for smart city corporation using deep learning
本文针对市民投诉管理难题，开发了基于深度学习自动分类的市民与官方双端Android应用，实现拍照投诉与进度监控，以提升透明度与效率，促进智慧城市发展。
2024-10-15 cs.HC
Smart, Adaptive Energy Optimization for Mobile Web Interactions
Web技术支撑着许多交互式移动应用程序。然而，高能效的移动Web交互是一个突出的挑战。鉴于移动硬件的多样性和复杂性日益增加，任何实用的优化方案都必须适用于广泛的用户、移动平台和Web工作负载。本文介绍了CAMEL，一种新的移动网络交互的能量优化系统。CAMEL利用机器学习技术来开发一种智能的自适应方案，以明智地权衡性能，降低功耗。与以前的工作不同，C AMEL直接建模给定的Web内容如何影响用户期望，并使用此来指导能量优化。它进一步采用迁移学习和共形预测来调整最终用户环境中先前学习的模型，并随着时间的推移对其进行改进。我们将CAMEL应用于Chromium，并在四个不同的移动系统上进行评估，涉及1,000个测试网页和30个用户。与四种最先进的Web事件优化器相比，CAMEL节省了22%的能源，但对用户体验质量的违规减少了49%，并且在针对新的计算环境时，开销减少了几个数量级。
2020-05-02 cs.HC cs.NI cs.PF
BeCAPTCHA: Detecting Human Behavior in Smartphone Interaction using Multiple Inbuilt Sensors
我们介绍了一种新的多模态移动数据库称为HuMIdb（人类移动交互数据库），包括14个移动传感器从600个用户获得。在与智能手机交互期间生成的异构数据流可以用于在与该技术交互时对人类行为进行建模。基于这个新的数据集，我们探索了智能手机传感器提高机器人检测的能力。我们提出了一个CAPTCHA方法的基础上获得的信息在一个单一的拖放任务的分析。我们评估的方法产生的假样本合成生成对抗神经网络和手工制作的方法。我们的研究结果表明，移动传感器的潜力，以表征人类的行为，并开发新一代的CAPTCHA。
2020-05-29 cs.CR cs.HC
Energy Autonomous Wearable Sensors for Smart Healthcare: A Review
能量自主可穿戴传感器（EAWS）由于其提供可靠测量和连续生物电信号的潜力而引起了人们的极大兴趣，这有助于早期减少健康风险因素，持续评估疾病预防，并保持最佳的终身健康质量。本文介绍了最近的发展和国家的最先进的研究有关的三个关键要素，使EAWS。第一个元素是可穿戴传感器，它监测人体生理信号和活动。重点是解释不同类型的转导机制，新兴的材料和制造技术。第二个要素是灵活的可穿戴能量存储设备，用于驱动低功耗电子设备和自动检测不稳定生理参数所需的软件。第三个是灵活和可伸缩的能量收集模块，为可穿戴传感器的持续运行充电。最后，我们讨论了实现能源自主可穿戴传感技术的一些技术挑战以及克服这些挑战的可能解决方案。
2019-12-05 cs.HC eess.SP
A comparison of mobile VR display running on an ordinary smartphone with standard PC display for P300-BCI stimulus presentation
基于脑电的脑机接口是一种很有前途的虚拟现实技术，特别是在游戏领域。我们专注于所谓的P300-BCI，一个稳定和准确的BCI范式依赖于一个积极的事件相关电位（ERP）发生在EEG约300毫秒刺激后的识别。我们实现了一个基本版本的BCI显示在一个普通的和负担得起的基于智能手机的头戴式VR设备上：也就是说，一个移动和被动的VR系统（没有智能手机以外的电子元件）。手机进行刺激呈现、EEG同步（标记）和反馈显示。我们比较了VR设备上的ERP和BCI的准确性与在个人电脑（PC）上运行的传统BCI。我们还评估了主观因素对准确性的影响。这项研究是在受试者内进行的，有21名参与者，每种模式一次。在PC和VR系统之间没有发现BCI准确性的显著差异，尽管与PC系统相比，VR系统中的P200 ERP显著更宽和更大。
2020-02-06 cs.GR cs.HC
User-to-PC Authentication Through Confirmation on Mobile Devices: On Usability and Performance
本文提出一种基于令牌的无密码方法，用户通过在移动设备上确认请求以完成对PC的身份验证。研究表明，基于智能手表的身份验证在验证耗时和可用性上均优于传统密码和基于智能手机的方案。
2025-07-12 cs.CR cs.HC
Novel EEG based Schizophrenia Detection with IoMT Framework for Smart Healthcare
Malaviya National Institute of Technology（马拉维亚国家理工学院）；Maharaja Surajmal Institute of Technology（马哈拉贾·苏拉杰马尔理工学院）
在神经科学领域，脑活动分析一直被认为是一个重要的研究领域。精神分裂症（Schizophrenia，Sz）是一种大脑疾病，严重影响世界各地人们的思维，行为和感受。脑电图（EEG）被证明是一种有效的生物标志物在Sz检测。脑电信号是一种非线性的时间序列信号，由于其非线性结构，利用它进行研究是非常重要的。本文旨在使用深度学习方法提高基于EEG的Sz检测的性能。提出了一种新的混合深度学习模型，称为SzHNN（Schizophrenia Hybrid Neural Network，分裂型混合神经网络），它是卷积神经网络（CNN）和长短期记忆（Long Short-Term Memory，LSTM）的组合。CNN网络用于局部特征提取，LSTM用于分类。将所提出的模型与仅CNN、仅LSTM和基于机器学习的模型进行了比较。所有模型都在两个不同的数据集上进行了评估，其中数据集1由19名受试者组成，数据集2由16名受试者组成。在不同的频段上使用各种参数设置并在头皮上使用不同的电极组已经进行了几个实验。基于所有的实验，很明显，所提出的混合模型（SzHNN）提供了最高的分类精度为99.9%，与其他现有的模型相比。该模型克服了不同频段的影响，即使只有5个电极，也显示出91%的更好的准确性。所提出的模型还在医疗物联网（IoMT）框架上进行了评估，用于智能医疗和远程监控应用。
2021-11-19 cs.HC cs.LG eess.SP
Leveraging Smartphone Sensors for Detecting Abnormal Gait for Smart Wearable Mobile Technologies
Daffodil International University（达法迪尔国际大学）；University of Calgary（卡尔加里大学）
步行是人类最常见的陆地运动方式之一。步行是人类进行大多数日常活动所必需的。当一个人走路时，有一种模式，它被称为步态。步态分析用于体育和医疗保健。我们可以用不同的方式分析这种步态，比如使用监控摄像头或实验室环境中的深度图像摄像头捕捉的视频。它也可以被可穿戴传感器识别。例如，在一个实施例中，加速度计、力传感器、陀螺仪、柔性测角仪、磁阻传感器、电磁跟踪系统、力传感器和肌电图（EMG）。通过这些传感器进行分析需要实验室条件，或者用户必须佩戴这些传感器。为了检测人类步态动作的异常，我们需要单独地结合传感器。我们可以通过检测到异常的人体步态来了解一个人的健康状况。了解正常步态与异常步态可以通过智能穿戴技术来了解受试者的健康状况。因此，在本文中，我们提出了一种通过智能手机传感器来分析异常人体步态的方法。虽然智能手机和智能手表等智能设备现在被大多数人使用。所以，我们可以通过这些智能穿戴设备的传感器来追踪他们的步态。
2022-08-03 cs.CV cs.HC cs.LG
Addict Free -- A Smart and Connected Relapse Intervention Mobile App
Texas Tech University（德州理工大学）
成瘾复吸与特定的时空因素如特定的地点或时间段密切相关。目前的研究表明，这些因素可以用于更好的复发干预，但是，没有复发预防应用程序，利用这些因素。在本文中，我们介绍了一个名为“Addict Free”的移动应用程序，它记录了用户简档，跟踪复发历史，并总结了恢复统计数据，以帮助用户更好地了解他们的恢复情况。此外，该应用程序还建立了一个复发恢复社区，允许用户寻求建议和鼓励，并分享复发预防经验。此外，利用摄取空间和时间因素的机器学习算法来预测复发，基于此，通过恢复推荐算法推荐有帮助的成瘾转移活动。通过与用户互动，该应用程序旨在提供旨在阻止复发的智能建议，特别是对于酒精和烟草成瘾用户。
2019-12-02 cs.HC cs.LG stat.ML
The Physical Web in Smart Cities
在本文中，我们讨论了基于网络邻近性的智能城市物理网络项目。一般来说，物理网络是一种将任何物理对象连接到网络的方法。通过这种方法，我们可以在移动设备周围的世界中导航和控制物理对象。或者，我们可以在移动设备上执行服务，这取决于周围的物理对象。从技术上讲，有不同的方法来枚举物理对象。在本文中，我们将目标模型的基础上无线接近。
2015-10-16 cs.HC cs.NI
A Single RGB Camera Based Gait Analysis with a Mobile Tele-Robot for Healthcare
University of Oxford（牛津大学）；University of Glasgow（格拉斯哥大学）；Shanghai Jiao Tong University（上海交通大学）
随着人们对高品质生活的认识不断提高，越来越需要在家庭环境中运行鲁棒算法的健康监测设备。健康监测技术可以实时分析用户的健康状况，提供长期的医疗保健支持并减少住院时间。这项工作的目的是双重的，该软件侧重于步态分析，这是广泛采用的关节矫正和评估任何下肢或脊柱问题。在硬件方面，我们设计了一种新型的无标记步态分析设备，使用低成本的RGB摄像机安装在移动遥机器人。由于使用单个相机进行步态分析比以前使用多相机，RGB-D相机或可穿戴传感器的作品更具挑战性，因此我们建议使用基于视觉的人体姿势估计方法。更具体地说，基于两个国家的最先进的人体姿态估计模型（Openpose和VNect）的输出，我们设计了四个定制的步态参数的测量：反转/外翻，背屈/跖屈，踝关节和脚的进展角度。因此，我们将行走模式分为正常，旋后，旋前和跛行。我们还说明了如何在低资源环境（如单个入门级CPU）中运行专用机器学习模型。实验表明，与基于深度相机或多相机运动捕捉系统的最新方法相比，我们的单RGB相机方法以更小的硬件成本实现了具有竞争力的性能。
2020-03-15 cs.CV cs.HC cs.LG
AirDraw: Leveraging Smart Watch Motion Sensors for Mobile Human Computer Interactions
California State University, Northridge（加州州立大学北岭分校）
可穿戴计算是当今发展最快的技术之一。智能手表有望在不久的将来占据至少一半的可穿戴设备市场。然而，智能手表屏幕尺寸是增长的一个限制因素，因为它限制了实际的文本输入。另一方面，可穿戴设备具有一些特性，例如一致的用户交互和免提、抬头操作，这为文本输入的手势识别方法铺平了道路。本文提出了一种新的智能手表文本输入方法，该方法利用运动传感器数据和机器学习方法来检测用户在空中书写的字母。当与计算机视觉方法相比时，该方法计算密集度较低并且成本较低。它也不受限制计算机视觉解决方案的照明因素的影响。AirDraw系统原型开发测试这种方法。此外，实验结果接近71%的准确性。
2017-05-07 cs.AI cs.CV cs.HC
Bridge the Gap: Measuring and Analyzing Technical Data for Social Trust between Smartphones
移动电话是当今在数量和灵活性方面最相关的通信设备。与大多数移动自组织通信一样，两部手机之间的自组织通信需要设备之间的相互信任。建立这种信任的一种新方法是从技术上可衡量的数据（例如，交互日志）。为了探索社会信任和技术信任之间的关系，我们对超过217名Android用户进行了大规模调查，并分析了他们的匿名通话和消息日志。我们表明，一个可靠的先验信任值的移动系统可以从常见的社会通信指标。
2012-05-14 cs.HC cs.NI cs.SI
