Jan, 2024

深度强化学习驱动的活动感知动态健康监测系统

PDF
TL;DR基于深度强化学习和 SlowFast 模型，我们提出了适应用户活动的动态活动感知健康监测策略（DActAHM），以在卫生监测性能和成本效益之间取得平衡。通过 SlowFast 模型，DActAHM 能够高效识别个体活动并进行精确监测，之后通过深度强化学习框架对识别到的活动进行健康指标监测的优化。与三种最先进的方法进行的广泛实验表明，DActAHM 获得了比固定监测行为的最佳基准线高出 27.3% 的增益。
smart healthcarehealth monitoringdynamic activity-aware health monitoringdeep reinforcement learningslowfast model
发现论文，激发创造
  • 基于多智能体深度强化学习的 AI 驱动病人监测

    通过使用多智能体深度强化学习 (DRL) 的人工智能驱动的患者监控框架，我们提出了一个有效的患者监测系统，在处理复杂、动态的环境和波动的生命体征方面具有很大优势。我们的实验结果证明了该框架在监测患者生命体征方面的准确性优于传统模型，并通过超参数优化来提升学习过程，使其能够适应多样的患者情况和实时做出决策。

    Sep, 2023

  • 面向上下文的自适应电子健康监测框架

    本文提出一种上下文感知框架，用于监测依赖人士的日常活动，实现长期真实场景的生成和资源优化算法的适应性监测，通过考虑个人资料、活动和活动之间的关系等方面，提高了监测的准确性和效率。

    May, 2016

  • 深度学习及其在机器健康监测中的应用：一项综述

    本研究指出深度学习可以为数据驱动的机器健康监测提供有用的工具，在介绍深度学习技术后，主要从自编码器、深度置信网络、卷积神经网络和循环神经网络等方面综述了其在机器健康监测系统中的应用，并讨论了一些新的基于深度学习的方法趋势。

    Dec, 2016

  • PDRL：基于多智能体强化学习的预测性监控

    提出了一种新颖且通用的预测深度强化学习（PDRL）系统，用于监测复杂环境中的未来状态，并在时间序列预测过程中取得了最先进的性能。

    Sep, 2023

  • SelfAct: 基于自监督和主动学习的个性化活动识别

    SelfAct 是一种新颖的人类活动识别框架，结合了自监督和主动学习，通过利用大量未标记的数据进行预训练，学习传感器数据的高效表示，并通过新的无监督主动学习策略进行微调，其结果接近或优于完全监督方法的结果。

    Apr, 2023

  • 基于毫米波雷达的医疗监护机器人人体活动识别

    通过在可移动机器人上装载毫米波雷达系统与轻量级深度神经网络结合，实现了实时监测人类活动的医疗监测系统。

    May, 2024

  • 将移动健康用户建模为强化学习智能体

    本文介绍了一个框架，通过提供不同类型的干预措施，帮助使用移动健康技术的患者在日常生活中采取或保持健康的行为，同时优化了马尔可夫决策过程的参数，以解决人类决策过程中可能出现的问题。

    Dec, 2022

  • RAIM: 多模态患者监测数据的循环关注和强化模型

    本研究提出 Recurrent Attentive and Intensive Model (RAIM) 模型，利用连续监测数据与离散临床事件来预测 ICU 病人的生理恶化和住院天数，在 MIMIC-III Waveform Database Matched Subset 上，模型的 AUC-ROC 得分为 90.18％，准确率为 86.82％，表现优于六个基准模型。

    Jul, 2018

  • 家庭医疗中基于 WiFi 的患者活动监测的数据分布动态

    本文研究 WiFi 信号在家庭医疗场景中实时监测日常活动的应用。研究发现，在实际环境中由于环境、受试者和系统设置的变量，WiFi 基于活动识别的准确性和适应性存在挑战。通过在各种环境中部署系统和分析数据变化，本研究旨在指导对老年护理进行实际开发的稳健、上下文感知的 WiFi 感应系统。研究结果表明，WiFi 基于活动感知正在从学术研究向实际应用的过渡中，通过技术提高生活品质。

    Feb, 2024

  • 面向个性化压力监测的主动强化学习在日常环境中的应用

    本文提出了一种上下文感知的主动学习策略，并开发了一个多层传感器边缘云平台，以捕获生理信号并即时处理，以及收集标签并重新训练检测模型。结果表明，所提出的上下文感知主动学习技术相对于基于随机策略和传统主动学习策略，在使用者查询方面分别减少 88％和 32％，同时达到理想的检测性能。

    Apr, 2023