本文探讨采用长短期记忆（LSTM）深度神经网络来挖掘多元时间序列的临床医疗数据，特别是在重症监护病房（ICU）中的应用，通过将128个诊断结果与13个临床测试指标进行分类建模，获得了优于其他多层感知机的分类效果。

Nov, 2015

本文介绍了一种能够应用于人类活动识别领域的深度长短期神经网络模型，该模型使用集成学习方法来提升分类准确度，并在三个标准测试数据集上表现出了出色的识别能力，具有很好的实际应用价值。

Mar, 2017

介绍一种多标签活动识别的方法，它可以为每个活动提取独立的特征描述符并学习活动之间的相关性，可使现有的视频分类网络结构更好地应用于多标签活动，经实验表现优于其他方法，并在Charades数据集中展示了活动特定的特征。

Sep, 2020

本研究针对人口老龄化，提出了一种基于多模态变压器网络的护士活动识别方法，通过提取骨骼关节和加速度数据的特征实现对护士活动的自动识别，取得了81.8% 的最优识别效果，代码公开并可获得。

Apr, 2022

本研究使用自我监督学习技术在 UK-Biobank 活动追踪器数据集上训练活动识别模型，结果表明该模型在七个基准数据集上的 F1 分数相对提高 2.5%~100%，可推广至不同外部数据集、设备和环境。开源的模型将有助于研究人员建立高性能、自定义和可推广的活动分类器。

Jun, 2022

通过比较用户驱动的现场注释和回忆方法使用的四种不同常见注释方法的实证研究，结合展示活动日记和可视化工具，降低了缺失注释和提高了注释一致性，从而提高了深度学习模型的F1值约8％。

May, 2023

利用深度学习技术在护理程序活动理解方面的应用，有助于提高护士与患者互动的质量和安全性。我们提出了一个具有专家级注释的大型视频数据集NurViD，该数据集覆盖了多个护理程序和动作步骤，并为目前的深度学习方法建立了三个基准测试。

Oct, 2023

应用机器学习从大规模时间序列数据中提取临床见解，解释潜在状态、预测结果，并通过算法识别白天行为模式以预测夜间行为。

Nov, 2023

传统深度学习方法难以从传感器数据中同时分割、识别和预测人类活动，限制了其在医疗保健和辅助生活等领域的实时理解能力。本文介绍了P2LHAP，一种新颖的Patch-to-Label Seq2Seq框架，有效地解决了这三个任务，将传感器数据流划分为一系列“补丁”作为输入，输出包括预测未来活动的补丁级活动标签序列。作者提出了一种基于周围补丁标签的独特平滑技术，用于准确识别活动边界。此外，P2LHAP通过传感器信号通道独立的Transformer编码器和解码器学习补丁级表示，所有通道在所有序列中共享嵌入和Transformer权重。经过三个公开数据集的评估，P2LHAP在这三个任务中显著优于现有技术水平，展示了其在实际应用中的有效性和潜力。

Mar, 2024

研究了时序表示学习在远程医疗监测应用中的关键领域。基于老年痴呆症患者在家活动的数据集，设计了一种表示学习方法，将活动转化为可用语言模型编码的文本字符串。通过利用矢量空间中相似嵌入，实现了参与者和天数的聚类和向量搜索，并用于识别活动异常以帮助进行个性化护理。

May, 2024