美国有超过三分之一的成年人是糖尿病前期患者，其中 80％不知晓自己的状况。为了预防 2 型糖尿病和相关心脏疾病，需要更好的血糖监测。现有的可穿戴式血糖监测仪在小型数据集训练方面存在局限性，因为收集大量的血糖数据通常代价高且不现实。我们的研究采用改进的频域改变重现图机器学习方法，即使在有限数据集下，也能提高从可穿戴设备数据中预测血糖水平的准确性。该技术将先进的信号处理与机器学习相结合，提取更有意义的特征。我们使用历史数据对我们的方法进行了测试，结果显示我们的方法在预测实时间质血糖水平方面超过了当前的 87％准确性基准。

Jun, 2024

本文介绍了一份多年的被动监测数据集，用于支持进行跨数据集评估行为建模算法的泛化性能，并提供 18 种算法在抑郁症检测任务上的基准结果。结果表明，先前的抑郁症检测算法和领域泛化技术都有潜力但需要进一步研究才能实现充分的跨数据集泛化能力。

Nov, 2022

数字生物标志物和远程患者监测可以为传统医疗环境中的治疗提供有价值且及时的信息。我们构建了一个开源平台 RADAR-base，支持远程监测研究中的大规模数据收集，从而通过收集的长期纵向数据开发可靠的数字生物标志物，为不同疾病提供有用的洞察。

Aug, 2023

提出一种基于物联网边缘 - 人工智能 - 区块链系统的糖尿病预测模型，通过比较实验结果表明，与逻辑回归和支持向量机等现有机器学习方法相比，该模型使用随机森林算法平均预测精度提高了 4.57％，但执行时间较长。

Nov, 2022

通过开发一个多任务自注意模型，我们可以合成真实的可穿戴活动数据，并通过定量和定性方法来检验其与真实样本的相似性，从而解决医疗研究中的数据稀缺问题。

Jul, 2023

该论文提出了一种基于智能健康护理系统的、用于预测 2 型糖尿病的机器学习模型 HealthEdge，并使用真实数据集进行了两种机器学习算法（随机森林和逻辑回归）之间的比较分析，结果表明 RF 预测糖尿病的准确率比 LR 平均高 6％。

Jan, 2023

该研究总结了数字健康技术在预防、检测和治疗潜在糖尿病和未经确诊的 2 型糖尿病方面的应用，重点介绍了 AI 聊天机器人、在线论坛、可穿戴设备和移动应用。此外，还探讨了通过 AI 和机器学习算法提高筛查效果的技术以及通过分析社交媒体和流媒体数据进行人群疾病预测的方法。

Dec, 2023

本研究提出了一种结合数据驱动的生理模型和 Siamese 网络的集成学习框架，用于在人工胰腺系统中准确检测运动，并在临床试验数据集上表现出了高达 86.4％的真正阳性率和 99.1％的真正阴性率。

May, 2023

基于 CGM 时间序列数据的短期血糖预测模型 TimeGlu，在没有额外个人数据的情况下，在实际世界中提供了有效的糖尿病血糖管理指导。

Apr, 2024

本研究介绍了从家庭睡眠呼吸暂停监测中获得的富有价值的数据集，该数据集使用 FDA 认证的 WatchPAT-300 设备，收集了 7,077 名参与者在 21,412 个夜晚的数据，包括原始的传感器多通道时间序列，注释的睡眠事件以及与睡眠结构、睡眠呼吸暂停和心率变异性相关的 447 个特征的计算摘要统计信息。我们还介绍了按照年龄和性别分层的 AHI、睡眠效率、入睡后唤醒时间以及心率变异性样本熵的参考值。此外，我们还证明了该数据集在包括身体成分、骨密度、血糖水平和心血管健康等各种与健康相关的特征的预测能力方面的改进。这些结果展示了该数据集在推动睡眠研究、个性化医疗以及生物医学中的机器学习应用方面的潜力。

Nov, 2023