Circadian Rhythms are Not Captured Equal: Exploring Circadian Metrics Extracted by Different Computational Methods from Smartphone Accelerometer and GPS Sensors in Daily Life Tracking
昼夜节律是人类日常生活中表现出的自然生物周期。规律和稳定的节奏被发现与良好的身心健康相关。随着移动和可穿戴技术的广泛采用,许多类型的传感器数据(诸如GPS和体动记录)为研究人员客观地量化用户的昼夜节律并进一步使用这些昼夜节律的量化度量来推断用户的健康状态提供了证据。计算机科学和心理学的研究人员已经在生态有效的人类感知研究中使用各种移动和可穿戴传感器研究了昼夜节律,但是问题仍然存在,当同时用于监视用户时,不同的数据类型是否以及如何产生不同的昼夜节律结果。我们假设不同的传感器数据揭示了用户日常行为的不同方面,从而产生不同的昼夜节律模式。在本文中,我们专注于两个数据类型:GPS和加速度计数据从智能手机。我们使用了来自225名大学生参与者的智能手机数据,并应用了四种昼夜节律表征方法。我们在传感器之间发现的节奏模式中发现了显著而有趣的差异,这表明从不同的个人跟踪传感器发现的昼夜节律对设备使用和日常行为方面具有不同的敏感度。
2021-07-08 cs.HC
WSCoach: Wearable Real-time Auditory Feedback for Reducing Unwanted Words in Daily Communication
Synteraction Lab School of Creative Media, City University of Hong Kong Hong Kong China;Smart Systems Institute, National University of Singapore Synteraction Lab Singapore;HCl Lab, Saarland Informatics Campus, Saarland University Saarland Germany;Zhejiang University Hangzhou China;Guangxi University Nanning China;Synteraction Lab School of Creative Media \& Department of Computer Science, City University of Hong Kong Hong Kong China;INRIA Bordeaux France;School of Creative Media, City University of Hong Kong;Smart Systems Institute, National University of Singapore;HCl Lab, Saarland Informatics Campus, Saarland University;Zhejiang University;Guangxi University;School of Creative Media \& Department of Computer Science, City University of Hong Kong;INRIA
针对可穿戴行为干预系统设计未被充分探索的问题,本研究通过设计空间探索、试点研究及原型化WSCoach系统,结合与先进移动应用的对比评估,为可穿戴音频行为监测与干预系统提供设计指南,助力日常交流冗余词汇减少。
2025-07-06 cs.HC cs.SD eess.AS
Introducing IHARDS-CNN: A Cutting-Edge Deep Learning Method for Human Activity Recognition Using Wearable Sensors
本文提出了一种名为IHARDS-CNN的新方法,通过整合UCI-HAR、WISDM和KU-HAR三个数据集,采用一维深度卷积神经网络进行人类活动识别,在减少检测步骤的同时实现了接近100%的最高准确率。
2024-11-18 cs.HC
From Wearable Data to Personalized and Actionable Health Insights
Harvard University(哈佛大学);Princeton University(普林斯顿大学)
本研究提出结合用户标注与可穿戴数据的网络框架,通过可视化辅助压力管理,经四周试点证实社交互动、刻意休息、正念活动可显著改善压力相关生理指标。
2026-08-05 cs.AI cs.HC
BiHeartS: Bilateral Heart Rate from multiple devices and body positions for Sleep measurement Dataset
针对睡眠质量评估缺乏综合真实数据的问题,本文提出BiHeartS数据集,连续30晚采集10名参与者的多设备心率、生理信号及睡眠与作息自评。
2023-08-13 cs.HC
Emotion recognition using a glasses-type wearable device via multi-channel facial responses
本研究提出一种眼镜式非侵入式可穿戴设备,通过采集面部EDA、光电容积脉搏波及左眼局部表情等多通道响应,结合优化的传感器位置与识别算法,将情绪分类准确率较仅用局部表情提升10.1%,可用于日常情绪监测,具备医疗健康应用潜力。
2021-08-26 cs.HC
Deep Learning in Human Activity Recognition with Wearable Sensors: A Review on Advances
Northwestern University(西北大学);McGill University(麦吉尔大学);Georgia Institute of Technology(佐治亚理工学院);Columbia University(哥伦比亚大学)
移动和可穿戴设备已经实现了许多应用,包括活动跟踪、健康监测和人机交互,这些应用测量并改善了我们的日常生活。其中许多应用是通过利用许多移动和可穿戴设备中的丰富低功耗传感器集合来执行人类活动识别(HAR)而实现的。最近,深度学习极大地推动了HAR在移动和可穿戴设备上的边界。本文系统地梳理和总结了可穿戴HAR领域深度学习方法的研究现状,分析了其发展趋势和面临的主要挑战。我们还提出了基于深度学习的HAR的前沿和未来方向。
2022-03-03 cs.HC cs.LG eess.SP
Cognitive Performance Measurements and the Impact of Sleep Quality Using Wearable and Mobile Sensors
University of Oulu(奥卢大学);Oura Health Ltd.(Oura健康有限公司);Aalborg University(奥尔堡大学);Penn State(宾夕法尼亚州立大学)
本文研究睡眠质量变化对认知性能的影响,通过2个月实地研究数据,利用PVT测试、手机打字数据和可穿戴设备测量睡眠质量,发现特定睡眠指标显著影响认知表现,并引入手机打字数据作为认知性能连续监测的补充方法。
2025-01-26 cs.HC
Scalable Mining of Daily Behavioral Patterns in Context Sensing Life-Log Data
尽管可穿戴设备的出现和智能手机的激增,仍然没有理想的平台可以持续感知和精确收集所有可用的上下文信息。理想情况下,移动传感数据汇集方法应处理源自软件和硬件限制的不确定性和数据丢失。我们已经从35个用户进行了生活日志数据汇集实验,并创建了一个丰富的数据集(926万条记录),以代表移动传感系统的真实部署问题。我们创建了一套新的算法来识别人类行为的图案,同时考虑收集的数据对象的不确定性。我们的工作受益于设备上可用的传感器的组合,并识别具有类似于人类时间感知的时间粒度的行为模式。采用传感器的组合而不是只关注一个传感器可以通过忽略不可用的传感器数据并专注于可用数据来处理不确定性。此外,通过在两个真实的大型数据集上进行实验,我们证明了使用滑动窗口可以显着提高算法的可扩展性,这些算法可以用于智能手机和可穿戴设备等小型设备的应用程序。
2015-03-16 cs.CY cs.HC
Tracking Human Daily Cognitive Activity from EEG and Biometric Data
Kazakh-British Technical University(哈英理工大学)
本文提出一种融合脑电图、生理信号、行为背景和自我报告的多模态框架,用于追踪日常认知活动,通过试点研究验证了可行性,并揭示了动机与唤醒度、注意力等的强相关性及时间依赖模式。
2026-10-05 cs.HC
HazeDose: Design and Analysis of a Personal Air Pollution Inhaled Dose Estimation System using Wearable Sensors
当今,空气污染已成为发展中国家和发达国家面临的最大的世界性问题之一。帮助个人了解他们的空气污染暴露和健康风险,传统的方法是利用静态监测站的数据,并由政府机构估计大面积的空气污染质量。来自这种传感系统的数据非常稀疏,不能反映真实的个人暴露。近年来,几个研究小组开发了参与式空气污染传感系统,该系统使用可穿戴或便携式设备与智能手机相结合,以众包城市空气污染数据。与政府运营的固定监测系统相比,这些系统在空间粒度方面有了显著改善。在本文中,我们扩展的范例HazeDose系统,它可以个性化的个人的空气污染暴露。具体而言,我们结合从空气污染估计系统获得的污染浓度与活动数据从个人的身体活动监测器,以估计空气污染的个人吸入剂量。用户可以通过移动应用程序可视化他们的个性化空气污染暴露信息。我们发现,不同的活动,如步行,骑自行车或驾驶,影响他们的剂量,和通勤模式有助于一个人的日常空气污染剂量的显着比例。此外,我们提出了一种剂量最小化算法,试验结果表明,高达14.1%的骑自行车的人的日常接触可以减少,而使用替代路线的司机可以吸入25.9%比平常少。一个启发式算法也被引入到平衡的执行时间和剂量减少替代路线的情况下。结果表明,当执行时间几乎是原来的七十分之一时,可以实现高达20.3%的剂量减少。
2020-05-28 cs.CY cs.HC
PilotEar: Enabling In-ear Inertial Navigation
导航系统每天都会使用。虽然存在不同类型的导航系统,但是惯性导航系统(INS)对于某些可穿戴设备具有有利的属性,这些可穿戴设备由于电池和形状因子可能无法使用GPS。可穿戴设备(又名耳戴式可穿戴设备)作为休闲设备以及传感和计算平台,正在蓬勃发展。由于肌肉骨骼系统的振动倾销,耳朵收集的惯性数据的固有高信噪比(SNR);结合人们通常佩戴一对耳机(每只耳朵一个)的事实,可以在跟踪头部运动时提供显着的准确性,从而可能改善惯性导航。因此,在这项工作中,我们研究并提出PilotEar,第一个端到端的earable为基础的惯性导航系统,实现了0.15米/秒的平均跟踪漂移为一个earable和0.11米/秒的两个earables。
2021-09-29 cs.HC
CaRing: Preventing Carpal Tunnel Syndrome based on Daily Activities from Always-Available Input Device
University of Washington(华盛顿大学);University of California, San Diego(加州大学圣迭戈分校);University of Southern California(南加州大学)
该研究提出佩戴于食指基部指关节的可穿戴系统CaRing,通过光流传感器检测鼠标使用起止,约90%事件可在标注两秒内被检测,助力预防腕管综合征。
2026-10-09 cs.HC
FIP: Endowing Robust Motion Capture on Daily Garment by Fusing Flex and Inertial Sensors
针对宽松可穿戴设备中传感器位移降低动作捕捉精度的问题,本文提出融合柔性与惯性传感器的FIP系统,通过位移补偿模型和多模态融合预测器实现鲁棒捕捉,精度显著优于现有IMU方法,可支撑多类交互应用。
2025-02-20 cs.HC
A 'one-size-fits-most' walking recognition method for smartphones, smartwatches, and wearable accelerometers
个人数字设备的普及为研究人类行为提供了前所未有的机会。目前最先进的方法使用“活动计数”来量化身体活动,这是一种忽略特定类型身体活动的测量方法。我们提出了一种亚秒级三轴加速度计数据的步行识别方法,其中活动分类是基于步行的固有特征:强度,周期性和持续时间。我们验证了我们的方法对20个公开可用的,注释的数据集在不同的身体位置(大腿,腰部,胸部,手臂,手腕)收集的步行活动数据。我们证明了我们的方法可以以高灵敏度和特异性估计步行时间:不同身体位置的平均灵敏度范围在0.92和0.97之间,而常见日常活动的平均特异性通常高于0.95。我们还评估了该方法的算法公平性的人口和人体测量变量和测量环境(身体位置,环境)。最后,我们将我们的方法作为MATLAB和Python的开源软件发布。
2022-07-15 cs.HC eess.SP
Capacitor Based Activity Sensing for Kinetic Powered Wearable IoTs
我们提出了传统能量存储组件的新用途,即,电容器,在动力可穿戴物联网中作为传感器来检测人类活动。由于不同的活动以不同的速率在电容器中积累能量,因此可以通过观察电容器的充电速率来直接检测这些活动。所提出的基于电容器的活动感测机制(称为CapSense)的关键优点在于,它消除了在活动检测时段期间对运动信号进行采样的需要,从而显著地节省了可穿戴设备的功耗。我们面临的一个挑战是,电容器本质上是非线性能量存储器,即使对于相同的活动,也会导致不同时间的充电速率发生显著变化,具体取决于电容器的当前充电水平。我们通过联合配置电容器和相关能量收集电路的参数来解决这个问题,这使我们能够在近似线性的充电周期上操作。我们设计并实现了一个动力鞋底,并进行了实验与10个科目。我们的研究结果表明,CapSense可以以95%的准确率对五种不同的日常活动进行分类,同时与传统的基于运动信号的活动检测相比,系统功耗降低了73%。
2018-06-19 cs.ET cs.HC cs.NI
EMG Pattern Classification to Control a Hand Orthosis for Functional Grasp Assistance after Stroke
Columbia University(哥伦比亚大学)
可穿戴矫形器既可以用作辅助装置,其允许使用者独立生活,也可以用作康复装置,其允许使用者重新使用受损肢体。为了完全可穿戴,这些设备必须具有直观的控制,并且为了提高生活质量,设备应该使用户能够进行日常生活活动。在这种情况下,我们探讨了使用肌电图(EMG)信号来控制可穿戴exotendon设备,使拾取和放置任务的可行性。我们使用一个易于穿上,商品前臂肌电带8个传感器,以创建一个肌电模式分类控制的exotendon设备。通过这个控件,我们能够检测用户打开的意图,从而可以启用扩展和拾取和放置任务。在中风幸存者的实验中,我们探索了这种控制在非功能性和功能性任务中的准确性。我们的研究结果支持开发具有直观控制的可穿戴设备的可行性,这些设备为康复提供了功能背景。
2018-02-01 cs.HC cs.RO
Evidence for positive long- and short-term effects of vaccinations against COVID-19 in wearable sensor metrics -- Insights from the German Corona Data Donation Project
疫苗是抗击COVID-19疫情最有力的工具之一。它们对感染非常有效,并大大降低了严重疾病、住院、ICU入院和死亡的风险。然而,它们减弱SARS-CoV-2感染(通常称为长期COVID)的长期影响的潜力仍然难以捉摸,仍然是争论的主题。通过分析消费级可穿戴传感器收集的生理数据,可以在个人层面有效地监测这种长期影响。在这里,我们调查了静息心率,每日体力活动和睡眠时间的变化,对SARS-CoV-2感染的反应,按疫苗接种状态分层。数据是在德国电晕数据捐赠项目的背景下收集的,目前每月约有190,000名活跃捐赠者。与未接种疫苗的人相比,我们发现接种疫苗的人平均经历的重要数据变化较小,也更快地恢复到正常水平。同样,在接种疫苗的个体中,疾病急性期的生命体征极端变化发生频率较低。我们的研究结果巩固了疫苗可以减轻SARS-CoV-2感染在持续时间和程度方面的长期有害影响的证据。此外,他们还展示了大规模、高分辨率可穿戴传感器数据在公共卫生研究中的价值。
2022-04-06 cs.HC q-bio.QM
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
CovidRhythm: A Deep Learning Model for Passive Prediction of Covid-19 using Biobehavioral Rhythms Derived from Wearable Physiological Data
Worcester Polytechnic Institute(伍斯特理工学院)
研究深度学习模型是否可以从SARS-CoV-2病毒引起的人体生理(心率)和静息活动节律(节律失调)的破坏中检测出Covid-19。我们提出了CovidRhythm,这是一种新型的具有多头自我注意力(MHSA)的门控递归单元(GRU)网络,它结合了从使用消费级智能可穿戴设备被动收集的心率和活动(步数)数据中提取的传感器和节奏特征,以预测Covid-19。从可穿戴传感器数据中提取了总共39个特征(标准差、平均值、久坐和活动发作的最小/最大/平均长度)。使用9个参数(mesor,振幅,acrophase,和每日内的变化)的生物行为节律进行建模。然后将这些特征输入CovidRhythm,用于预测处于潜伏期(生物症状出现前一天)的Covid-19。传感器和生物行为节律特征的组合实现了0.79的最高AUC-ROC [灵敏度= 0.69,特异性=0.89,F $_{0.1}$ = 0.76],在使用24小时历史可穿戴生理学来区分Covid阳性患者与健康对照方面优于先前的方法。当单独使用或与探头功能结合使用时,节律功能最能预测Covid-19感染。传感器特征最能预测健康受试者。结合24小时活动和睡眠信息的昼夜休息-活动节律被破坏得最厉害。CovidRhythm证明,来自消费级可穿戴数据的生物行为节律可以促进及时的Covid-19检测。据我们所知,我们的工作是第一个使用深度学习和来自消费级可穿戴数据…
2023-01-12 cs.HC cs.LG eess.SP
Efficient Dense Labeling of Human Activity Sequences from Wearables using Fully Convolutional Networks
The University of Adelaide(阿德莱德大学);China University of Mining and Technology(中国矿业大学)
在普适计算中,识别序列中的人类活动是一个具有挑战性的研究领域。大多数方法在连续的样本上使用固定大小的滑动窗口来提取特征--手工制作的或学习的特征--并为窗口中的所有样本预测单个标签。这种方法产生两个关键问题:i)一个窗口中的样本可能不总是共享相同的标签。因此,在一个窗口内对所有样本使用一个标签不可避免地会导致信息丢失; ii)测试阶段受到训练期间选择的窗口大小的约束,而最佳窗口大小在实践中很难调整。我们提出了一种有效的算法,可以预测每个样本的标签,我们称之为密集标签,在一个序列的人类活动的任意长度使用完全卷积网络。特别是,我们的方法克服了滑动窗口步骤所带来的问题。此外,我们的算法自动学习特征和分类器。我们发布了一个新的基于可穿戴传感器的住院患者日常活动数据集。我们进行了广泛的实验,并证明了我们提出的方法能够在三个具有挑战性的数据集:机会,手势和我们的新数据集的分类和标签错位措施方面优于最先进的技术。
2017-02-20 cs.CV cs.HC
Comparing Self-Supervised Learning Techniques for Wearable Human Activity Recognition
本文探索在有限标注数据下用于人类活动识别的自监督学习方法,比较了对比、生成和预测三种SSL技术及CNN与transformer架构,发现MAE方法显著优于SimCLR等先进方法。
2024-04-08 cs.HC eess.SP
Understanding occupants' behaviour, engagement, emotion, and comfort indoors with heterogeneous sensors and wearables
RMIT University(皇家墨尔本理工大学);Swinburne University of Technology(斯威本科技大学);University of New South Wales (UNSW)(新南威尔士大学(UNSW))
我们在澳大利亚墨尔本郊区的一所K-12私立学校进行了实地研究。数据采集包含两个要素:第一,为期5个月的纵向实地研究In-Gauge使用两个室外气象站,以及17个教室的室内气象站和居住者控制的房间空调通风口上的温度传感器;这些数据以5分钟的记录频率整理成每个教室的单独数据集,包括关于居住者存在的其他数据。该数据集用于推导居住者如何操作房间空调机组的预测模型。其次,我们在为期4周的横断面研究En-Gage中跟踪了23名学生和6名教师,使用可穿戴传感器记录生理数据,以及每日调查以查询居住者的热舒适度,学习参与度,情绪和座位行为。总体而言,综合数据集可用于分析室内/室外气候与学生在校园内的行为/精神状态之间的关系,这为未来设计智能反馈系统提供了机会,使学生和员工受益。
2022-04-22 cs.CY cs.HC cs.LG
American Sign Language Recognition Using RF Sensing
许多用于人机交互的技术都是为听力正常的人设计的,并且依赖于发声语音,这使得聋人社区中的美国手语(ASL)用户无法从这些进步中受益。虽然使用视频或可穿戴手套在ASL识别方面取得了很大进展,但在家庭中使用视频引起了隐私问题,而可穿戴手套严重限制了运动并侵犯了日常生活。方法:本文提出了使用射频传感器的HCI应用服务聋人社区。多频率RF传感器网络用于获取ASL签名的非侵入性、非接触式测量,而不管照明条件如何。利用短时傅里叶变换进行时频分析,揭示了由于微多普勒效应而出现在RF数据中的独特运动模式。使用机器学习(ML)研究RF ASL数据的语言特性。结果如下:的信息内容,分形复杂性测量,ASL签署被证明是大于日常生活中遇到的其他上身活动。这可以用来区分日常活动与签名,而来自RF数据的特征表明,非签名者的模仿签名与原生ASL签名有99%的区别。射频传感器网络数据的神经网络级融合用于实现72.5%的准确率在20个本地ASL标志的分类。含义:RF感测可用于研究ASL的动态语言特性,并设计以聋人为中心的智能环境,用于ASL的非侵入性远程识别。ML算法应该基于原生而不是模仿的ASL数据进行基准测试。
2020-09-02 cs.HC eess.SP
Probabilistic modelling of gait for robust passive monitoring in daily life
日常生活中的被动监测可以提供有关一个人全天健康的宝贵见解。可穿戴传感器设备可能在以非侵入方式实现这种监测方面发挥关键作用。然而,在日常生活中收集的传感器数据反映了多种健康和行为相关因素。这就需要进行结构化的原则性分析,以产生可用于支持临床诊断和治疗的可靠和可解释的预测。在这项工作中,我们开发了一个原则性的建模方法自由生活步态(步行)分析。步态是一个很有前途的目标,非侵入性监测,因为它是常见的,并指示各种运动障碍,如帕金森病(PD),但其分析在很大程度上限于实验控制的实验室设置。为了定位和表征使用加速度计的自由生活中的静止步态段,我们提出了一个无监督的统计框架,旨在将信号分割成不同的步态和非步态模式。我们灵活的概率框架将步态的经验假设结合到一个有原则的图形模型中,并具有其所有优点。我们展示了一个新的视频参考数据集的方法,包括25个PD患者和25个控制,在自己的房子和周围的无脚本的日常生活活动。我们评估我们的能力,检测步态和预测药物引起的波动PD患者的步态模型的基础上。我们的评估包括连接在多个身体位置,包括手腕,脚踝,裤兜和下背部的传感器之间的比较。
2020-04-07 cs.HC eess.SP
Memento: Towards Proactive Visualization of Everyday Memories with Personal Wearable AR Assistant
Stony Brook University(石溪大学);Georgia Institute of Technology(佐治亚理工学院)
Memento通过捕捉用户语音查询及时空活动上下文,主动关联兴趣与情境,利用AR实现日常记忆的持续可视化,提升沉浸式应用体验。
2026-05-06 cs.CL cs.HC cs.IR
HIDA: Towards Holistic Indoor Understanding for the Visually Impaired via Semantic Instance Segmentation with a Wearable Solid-State LiDAR Sensor
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
独立探索未知空间或在室内环境中寻找物体是视障人士的日常但具有挑战性的任务。然而,常见的2D辅助系统缺乏各种对象之间的深度关系,导致难以获得对象的精确空间布局和相对位置。为了解决这些问题,我们提出了HIDA,一个轻量级的辅助系统的基础上三维点云实例分割与固态激光雷达传感器,整体室内检测和避免。我们的整个系统包括三个硬件组件,两个交互功能~(避障和对象查找)和一个语音用户界面。基于语音引导,通过用户执行的现场扫描来捕获来自变化的室内环境的最新状态的点云。此外,我们设计了一个点云分割模型,具有双重轻量级解码器的语义和偏移预测,这满足了整个系统的效率。在3D实例分割之后,我们通过去除离群点并将所有点投影到俯视图2D地图表示来对分割的点云进行后处理。该系统集成了上述信息,并通过声音反馈与用户进行直观的交互。所提出的3D实例分割模型在ScanNet v2数据集上实现了最先进的性能。在用户研究中的各种任务的综合现场测试验证了我们的系统的可用性和有效性,以帮助视障人士在整体的室内理解,避障和对象搜索。
2021-07-07 cs.CV cs.HC cs.RO
Detecting Activities of Daily Living in Egocentric Video to Contextualize Hand Use at Home in Outpatient Neurorehabilitation Settings
Institute of Biomedical Engineering, University of Toronto(多伦多大学生物医学工程研究所);KITE - Toronto Rehabilitation Institute, University Health Network(大学健康网络KITE-多伦多康复研究所);Rehabilitation Sciences Institute, University of Toronto(多伦多大学康复科学研究所);Edward S. Rogers Sr. Department of Electrical and Computer Engineering, University of Toronto(多伦多大学爱德华·S·罗杰斯 Sr. 电气与计算机工程系)
本研究提出以物体为中心的方法,利用预训练检测模型识别自我中心视频中的日常生活活动,在16名手部受损患者的野外数据上实现F1分数0.78,为康复治疗提供临床可解释的手部使用情境信息。
2024-12-14 cs.CV cs.HC
AutoCogniSys: IoT Assisted Context-Aware Automatic Cognitive Health Assessment
University of Maryland, Baltimore County(马里兰大学巴尔的摩县分校);University of Maryland, Baltimore(马里兰大学巴尔的摩分校)
认知障碍已成为老年人的流行病。最近出现的微型可穿戴和环境设备,即物联网(IoT),为老年人的持续功能和认知健康评估提供了充足的平台。在本文中,我们设计,实现和评估AutoCogniSys,一个上下文感知的自动认知健康评估系统,结合可穿戴的生理(皮肤电活动,光电容积脉搏波)和物理(加速度计,对象)传感器与环境传感器的传感能力。我们设计适当的信号处理和机器学习技术,并在自然的老年人生活环境中开发一个自动认知健康评估系统。我们使用两个数据集来验证我们的方法:(i)与退休社区中心招募的22名老年人的日常生活活动和精神唤醒相关的自然传感器数据流,使用定制的廉价物联网系统(IRB #HP-00064387)单独生活在自己的公寓中;(ii)公开的情绪检测数据集。AutoCogniSys的性能证明了max.在评估老年人认知健康方面的准确率为93%。
2020-03-17 cs.AI cs.HC cs.LG
Clinic-Oriented Feasibility of a Sensor-Fused Wearable for Upper-Limb Function
本研究评估了一种集成多模态传感与安全辅助策略的可穿戴设备,在12名健康受试者中验证其技术可行性,结果显示能显著降低震颤指数并提高关节活动度和重复次数,支持向临床患者研究推进。
2025-10-27 cs.HC cs.LG cs.RO