基于深度强化学习和 SlowFast 模型，我们提出了适应用户活动的动态活动感知健康监测策略（DActAHM），以在卫生监测性能和成本效益之间取得平衡。通过 SlowFast 模型，DActAHM 能够高效识别个体活动并进行精确监测，之后通过深度强化学习框架对识别到的活动进行健康指标监测的优化。与三种最先进的方法进行的广泛实验表明，DActAHM 获得了比固定监测行为的最佳基准线高出 27.3% 的增益。
Jan, 2024
每日监测的紧迫性与重要性日益凸显，本研究提出了一种利用生理信号和环境信息的实时监测系统来追踪和预测每日压力水平的方法，并通过集成智能标签方法来优化压力检测的机器学习模型。实验结果显示，利用脉搏波图和环境信息结合的随机森林分类器，F1 得分可达到 70%，较仅使用脉搏波图的 56% 得分更为显著。
Dec, 2023
本文提出了一种上下文感知的主动学习策略，并开发了一个多层传感器边缘云平台，以捕获生理信号并即时处理，以及收集标签并重新训练检测模型。结果表明，所提出的上下文感知主动学习技术相对于基于随机策略和传统主动学习策略，在使用者查询方面分别减少 88％和 32％，同时达到理想的检测性能。
Apr, 2023
提出了一个用于舒缓压力的老年人辅助居住环境下的反思架构，实现环境感知、规划能力和对环境的上下文感知，通过对实验案例研究进行验证，表明反思功能已有效实现其目标。
Sep, 2023
提出了一种基于服务属性的智能监控框架，它通过挖掘 Microsoft 的生产服务上的 30,000+ 个监控属性，构建了一个结构化本体。该框架使用深度学习技术根据服务属性推荐监控，其有效性被来自 Microsoft 的工程师在用户研究中评价为 4.27（满分 5 分）。
Feb, 2024
本文介绍了一个框架，可收集来自个人移动设备的数据集，包含异构传感器数据，使用六种降维技术，可以在保持准确率损失小于 3% 的情况下，实现 10 倍加速和超过 90% 的特征减少，从而提高上下文分类能力。
Jun, 2023
本研究提出了一种远程监护平台，通过机器学习算法处理患者从不同消费移动设备和定制设备获取的生理健康参数，并为患者和医生提供易于理解和综合的面板。
Jul, 2022
该论文提出了一种基于移动设备的无监督轻量级方法来直接模拟用户的社交上下文和位置，该方法利用了自我网络模型，对智能手机嵌入式传感器数据提取高级别的语义上下文特征，在社交上下文方面，该方法利用了在用户和设备之间的物理和网络社交互动的数据，对于位置，它优先建模了特定位置的熟悉度程度，相对于只使用与物理上下文相关的特征，该方法在 AUROC、Precision 和 Recall 方面的表现都有所提高。
本文研究 WiFi 信号在家庭医疗场景中实时监测日常活动的应用。研究发现，在实际环境中由于环境、受试者和系统设置的变量，WiFi 基于活动识别的准确性和适应性存在挑战。通过在各种环境中部署系统和分析数据变化，本研究旨在指导对老年护理进行实际开发的稳健、上下文感知的 WiFi 感应系统。研究结果表明，WiFi 基于活动感知正在从学术研究向实际应用的过渡中，通过技术提高生活品质。
使用 NEX 项目开发的物联网系统和数据分析，可以支持老年人在家独立生活的无干扰健康和健康监测。使用自动检测日常生活活动（ADL）的可视化方法，可以实现 ADL 的自动检测以及可以无需重新训练系统来纳入新参与者的功能。
Jul, 2023