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

研究使用可穿戴和环境传感器分析医院工作人员的工作表现，人际交往和幸福感，收集 212 名参与者的生理和行为数据，并通过测量个性特征，行为状态，工作表现和幸福感等问题，构建数据集，支持多模态行为建模、生物特征认证和隐私保护机器学习等应用

Mar, 2020

本文介绍了利用可穿戴设备识别睡眠阶段的方法，并使用 NetHealth 数据集和深度学习算法 Convolutional Neural Networks 和传统的 Random Forest 进行了比较。

Mar, 2023

本文介绍了使用可穿戴设备通过皮肤电和心率等多模态生理数据获取个性化的压力识别方法，基于多任务学习的神经网络方法能够成功应用在真实驾驶和模拟驾驶的数据中。

Nov, 2017

本文提出了一种联合三个信号测量 Cognitive Workload 的方法，该方法基于机器学习和神经网络技术，可以识别手术过程中医生的脑力负荷情况，并精确地将其分类，比较结果表明有 93％的准确度。

Sep, 2022

使用深度学习技术分类飞行员的工作负荷水平，采用深度神经网络从脑电图信号中提取重要特征，实现了优于传统模型的分类准确度的研究。

Nov, 2023

通过分析根据被动捕捉的数据预测日常自我报告的压力和 PHQ-9 抑郁评分，我们发现 WiFi 特征（编码移动模式）和电话日志特征（编码与睡眠模式相关的信息）对于压力和抑郁预测提供了显著信息。

Oct, 2023

本文介绍了一种实际上应用的病人分流系统的操作组件。通过对德文医生笔记的学习，使用了一种基于注意力机制的卷积神经网络模型，实现了对病人紧急性的评估和提供了最恰当的医疗建议以及时间。此外，一种检测警告症状的方法也被介绍。

Sep, 2018

穿戴设备预测模型、认知损害、机器学习模型、预测特征、持续健康监测

Aug, 2023

本研究通过提供一种开创性的压力检测算法，并借助自动化聊天机器人技术进行实时支持，以帮助解决雇员未意识到心理健康问题的挑战。研究探索了将这些创新融入实际学习应用于实际环境中的可行性，并引入了一个集成到整体员工体验平台的聊天机器人系统，以提升员工的整体福祉、实时检测压力并积极参与个体以提高支持效果，早期提供援助可带来 22% 的增长。总的来说，本研究强调了为雇员的心理健康营造一个支持性的工作环境的重要性。

Feb, 2024