本文探讨了利用深度学习建立基于 actigraphy 数据的睡眠质量预测模型，并使用卷积神经网络在原始穿戴式传感器输出上进行建模以提高睡眠质量的预测价值，使得睡眠和身体活动研究的数据预处理不再需要，简化了整个工作流程

Jul, 2016

通过改进的 Thompson 采样算法实现对个性化目标的优化和个性化奖励函数的最优化，从而在移动健康应用中达到降低累积遗憾和提高个性化回报的效果。

Nov, 2023

本文在探讨如何解决数字治疗中患者面临的自我报告过多问题。通过引入游戏化因素和基于 PPG 信号的认知负荷检测技术，研究发现可以减轻患者的认知负荷，提高患者对数字治疗的参与度。

Feb, 2023

我们设计和实施了一个基于人工智能的平台，通过图神经网络推荐系统和佩戴式健身设备的精细健康行为数据，实现了对新加坡 84,764 位个体在 12 周内进行个性化和情境化的推送。统计验证表明，接收到优化的人工智能日常提醒的目标群体的日常体力活动，例如步数增加了 6.17% ($p = 3.09 imes10^{-4}$)，每周中度至高强度体力活动时间增加了 7.61% ($p = 1.16 imes10^{-2}$)，与未接收任何提醒的对照组相比，呈现出显著改善。此外，这些提醒被广泛接受，13.1% 的提醒被打开（开启率），其中 11.7% 的提醒被评为有用，1.9% 的提醒被评为无用，从而显示出人口级参与度的显著提高。

Jan, 2024

使用机器学习技术，利用活动监测和健康追踪设备收集的数据，通过行为模式和活动推荐来提高人们的睡眠质量。

Oct, 2021

本研究研究了移动健康应用程序的用户参与度和保留度，由于用户有多种不同的主要意图或目标使用应用程序，故他们有多种生命。在这项研究中，我们开发了一个改进的预测模型，可以达到 71％ROC AUC，并对如何使用通知，建议以及游戏化来增加用户参与度具有重要影响。

Feb, 2018

本研究通过对移动健康可穿戴设备和应用的 7,261 名用户的一天内活动模式进行研究，发现使用穿戴式追踪器记录的步数和睡眠数据明显提高了与精神健康和神经系统紊乱相关的自我报告的慢性病症状的分类效果。通过联合预测所有疾病类型，利用多任务学习可以提取横跨数据集的特征，并实现最高的分类性能。该研究证实了使用卷积神经网络对多变量时间序列进行直接训练，可以实现领先于基线模型的分类性能。

Dec, 2016

研究分析了孕期和产后进行足够的体育活动对生活质量的影响，结果显示孕期和产后进行足够的体育活动可使身体健康和心理健康领域的生活质量分别提高 7.3 和 3.4 个单位，通过结合因果发现和因果推断方法，我们开发了一种因果机器学习方法，并采用四种辨伪分析技术验证了我们的估计结果。

Feb, 2024

该研究描述了一种旨在鼓励儿童和老年人进行体育活动的视频游戏原型的开发，通过使用笔记本电脑、带有 3D 传感器的摄像机以及可选的 LCD 屏幕或投影仪组成。该原型的编程部分使用适合儿童的编程语言 Scratch 进行开发，从而极大地促进了根据用户偏好创建游戏的过程。该原型的发展得益于提供一种促进儿童和成年人进行体育活动的选择的愿望，因为缺乏体育锻炼是导致慢性退行性疾病（如糖尿病和高血压）发展的主要因素之一。作为这一计划的结果，基于乒乓球游戏的主动式视频游戏原型成功开发，允许儿童和成年人以有趣的方式互动，同时鼓励进行对用户健康有积极影响的体育活动。

Mar, 2024

这项研究展示了利用 eHealth 解决方案来解决青少年的饮食习惯和体育活动的可行性。在两所学校的 139 名干预组学生和 91 名对照组学生中进行了为期 14 周的干预。结果显示，eHealth 干预对体质指数百分位、体育活动评估得分和饮食质量评估得分产生了显著影响。然而，需要进行更多研究来检查这些新习惯是否能够被坚持。

Feb, 2024