通过对高自杀风险人群进行研究，本文从语言和移动文本的多模态表示等方面分析了手机使用行为与情绪的关联，并提出一种保护隐私的深度学习方法来提高智能手机数据的使用价值。

Jun, 2021

该论文介绍了一个框架，用于整合消费者健康设备、智能应用、健康数据流、语境信息和时序可视化，通过推理方法和图形用户界面来帮助用户突出这些时序数据之间的因果关系。

Aug, 2023

该研究总结了现代智能手机上常见的传感器，并提出了一个利用这些传感器模拟人与智能手机之间交互的维度分类法。其应用包括神经运动技能、认知功能和行为或例行程序，尤其关注用户认证方面的应用。通过使用人类移动交互的新型多模式数据库（HuMIdb 数据库），以深度学习中的连体神经网络为基础，该研究还检验了一个基于简单线性触摸手势的生物识别认证系统，达到了 87% 的准确率。

Jun, 2020

通过使用移动 / 网络应用程序进行指导性问题，捕捉健康数据并形成音频电子健康记录（Voice EHR），可以利用大型 AI 模型对患者进行快速分类，提升医疗决策，并通过早期检测潜在地改善结果。该报告引入了全球工作的合作伙伴群体、数据收集所使用的应用程序，并展示了信息丰富的声音电子健康记录（Voice EHR）通过弥补单模临床数据集的典型限制，从常规语音 / 呼吸特征、语音模式和具有语义含义的语言中获得的复杂生物标识可能带来的潜在可扩展性和多样性。

Apr, 2024

该论文介绍了一种使用设备集成传感器和身体佩戴相机的方法来预测用户在移动设备上的视觉注意力行为，并探讨了其在不同特征集下的性能和潜力。

Jan, 2018

本研究对 Mhealth 数据进行了分析，并使用了几种机器学习算法来预测人类的运动行为和健康状态，最终结果表明 XGBoost 相对其他算法表现更好。这项研究对于使用 Mhealth 预测一个人对特定运动比赛是否适合有着很大的前景和潜力。

Apr, 2023

该研究提出了一个框架来研究健康工作者对移动健康的使用，重点关注数字医疗健康应用的行为日志，并提供了多种个性化的度量方法来检测有效参与度和检测完全失去参与的情况，最终为卫生工作者的能力提升、病患治疗和生命拯救做出贡献。

Jun, 2022

本研究探索手机应用程序中的人工智能功能使用现状，总结了三种主要的交互模式类型，并实施了一个多方面的搜索启用画廊，研究结果表明了我们发现的有用性。

Jul, 2023

本研究采用多模态学习分析（MMLA）来分析护理教育中 ABCDE 过程中的行为动态，重点关注凝视熵、手部运动速度和接近度等因素。利用加速度计和眼动技术生成行为图来描述各个过程阶段。研究结果发现，这一过程包括四个主要阶段，其特征是视觉注意、手部动作和接近病人或仪器的不同模式。研究结果表明，MMLA 可以为医学教育中的临床操作能力提供有价值的洞见。该研究强调了 MMLA 在对临床操作及其固有复杂性进行详细客观评估方面的潜力。

Dec, 2023

本研究回顾了移动应用程序和虚拟对话代理器识别和适应情绪的方法，讨论了隐私问题。我们研究了基于主要任务（情感识别）进行训练的多模态表征如何意外地泄露一些敏感信息，分析了情感识别中的隐私度量，并在多个数据集上进行了验证。我们使用对抗学习范式来消除表征中的隐私信息，以及如何在不影响主要任务表现的情况下改善隐私度量。本研究是第一次分析不同模态的隐私指标差异以及如何在仍然维持情感识别表现的情况下解决多个隐私问题。

Oct, 2019