研究使用机器学习中的生存分析方法，基于英国长寿研究队列 ELSA 数据，构建了两种基于随机森林和弹性网络算法的生存机器学习模型，并证明了这些模型相较于传统的 Cox 比例风险模型具有更优越的预测性能和稳定性。

Jun, 2023

通过捕捉电池的老化状态和降解速率，本研究提出了一种方法来提高电池寿命的预测性能。该方法通过从电压松弛数据中提取等效电路模型的六个物理特征来指示老化状态，并通过从移动窗口内电压松弛曲线的差异或不同周期的容量 - 电压曲线的差异提取两个特征来捕捉降解速率。基于高斯过程构建了两个机器学习模型，分别用于描述这些物理特征与电池寿命之间的关系，用于寿命预测和分类。该方法在三种不同类型的 74 个电池单元的老化数据上进行了验证。实验结果显示，仅使用 3-12 分钟的采样数据，具有新特征的方法可以准确预测电池寿命，与基准方法相比，预测准确率提高了 67.09%。仅使用两个相邻周期的信息，电池被分为三组（长寿、中寿、短寿），整体准确率大于 90%，实现了退役电池的高效重新分组。

Aug, 2023

本研究提出了使用嵌入式动态随机访问存储器 (eDRAM) 作为训练数据的主要存储介质来解决物联网 (IoT) 边缘设备上的深度神经网络训练问题，并设计了一种新颖的可逆 DNN 架构和高效的设备端训练引擎 CAMEL 来实现不需 eDRAM 刷新的数据训练过程， 从而大大减少了 DNN 训练的能耗并在验证精度上实现了类似（甚至更好）的性能。

May, 2023

提出了一种自主的人工物联网（AIoT）系统，用于智能家居中对老年痴呆患者的监测，主要实现两个功能：基于传感器数据的实时异常活动监测和疾病相关活动趋势预测。该系统的 RF 分类器设计准确率大于 99％和 94％，并且使用 LSTM 模型可以实现准确和明显的未来趋势预测。

Jul, 2022

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

我们提出了一种机器学习方法来预测活跃健康老龄化应用程序的早期退出，并通过处理给定的数据库、生成七个数据集并使用预处理技术构建分类模型来预测用户的依从性，提交 11 次正式运行并展示机器学习算法能够提供高质量的依从性预测。

Aug, 2023

提出一种名为 Embed-RUL 的新方法，用于基于传感器数据估计系统或机器的剩余寿命（RUL），使用递归神经网络生成多变量时间序列子序列的嵌入，以过滤噪声并捕获时间序列的总体模式，从而保持了机器运行行为类似的嵌入靠近，即使它们的传感器读数具有显着和不同的噪声内容，通过在公共和实际数据集上运行该方法，显示它优于以前报告的现有技术。

Sep, 2017

本文研究了机器学习算法在预测痴呆症中的稳定性，并发现支持向量机和朴素贝叶斯算法是最稳定的算法，在使用信息增益方法进行特征选择时比主成分分析更有效。

Sep, 2022

利用不足的数据，比较了不同的机器学习算法和深度学习算法，发现使用手工特征的机器学习模型在预测锂离子电池的剩余寿命方面表现良好，尤其是 Random Forest Regressor 算法，可以实现平均 9.8% 的绝对百分比误差。相比之下，深度学习模型在小样本原始数据上表现不佳，手工特征的机器学习模型在预测锂离子电池寿命方面更为有效。

Dec, 2023

利用生存机器学习建立了一个可预测认知能力下降导致痴呆症状发展以及预测发展时间的模型，预测能力良好，可用于临床研究和预测患阿尔茨海默病的风险。

Jun, 2023