物联网、医疗、人类数字孪生、生成式人工智能、物联网医疗是研究的关键词，本文重点介绍了生成式人工智能驱动的人类数字孪生在物联网医疗领域的应用和实现方法，包括数据获取、通信、管理、数字建模和数据分析等方面，以及个性化健康监测、诊断、处方和康复等典型物联网医疗应用，并探讨了未来的研究方向。

Jan, 2024

本文讨论了在不同的实际应用中将语义图应用于自动化数字孪生所需的独特要求，并介绍了反映这些特征的基准数据集 DTBM，并探讨了不同知识图技术的规模化挑战。基于这些见解，我们将提出在 IBM 中多个产品中使用的参考架构，并推导出用于配置数字孪生的 AI 模型的规模化知识图的教训。

Oct, 2022

本文提出了一种个性化心理健康监测和情绪预测系统，利用患者生理数据，并采用分散的学习机制结合传输和联邦机器学习，使数据留在用户设备上，在隐私和可追踪的方式下实现心理健康条件的跟踪和管理，从而为精神科治疗提供了一个新颖的解决方案。

Jul, 2023

本文提出了数字孪生图（DTG）的概念，是一种自动化的、不依赖领域专家的数字孪生构建方法，采用数据驱动和图学习方法应对数字孪生的挑战。

Apr, 2023

本文提出一个新框架，通过使用知识图谱和连续时间神经网络，将患者健康数据合成为多模态数据，以便进行实时分析，从而为数字孪生模拟和个性化医疗提供全面和适应性的视图及实时分析。

Jul, 2023

IoT has created opportunities for healthcare solutions but interpreting data requires clinical, behavioral, and environmental information. Augmented Personalized Healthcare (APH) uses AI techniques to enhance human health with self-monitoring, self-appraisal, self-management, intervention, and disease progress tracking and prediction. The kHealth technology and its application to Asthma are used to provide illustrations for technology-assisted health management.

Dec, 2017

该研究论文介绍了在数字孪生系统中利用语义关联规则学习和知识图谱的方法，并通过工业应用的评估表明该方法能够学习具有语义信息的大量关联规则，为进一步研究工业应用的语义关联规则学习奠定了基础。

Oct, 2023

通过结合医学领域知识，我们设计了一种深度知识感知的网络框架（DKDD）以准确检测社交媒体用户是否患有抑郁症，并解释导致此类检测的关键因素。我们的实证研究表明，该方法优于现有最先进的方法，可以提供早期检测和解释关键因素，从而补充临床抑郁症筛查并评估人群的心理健康状况。

Mar, 2023

本文通过使用动作传感器数据预测抑郁症证明了解决以下问题的重要性：健康感知对慢性病管理的益处如何，抑郁症预测的挑战和机器学习算法透明度和可解释性的重要性，介绍了一个新型可解释的深度学习模型 —— Temporal Prototype Network（TempPNet）以及如何将其应用于健康感知中的慢性病共同关心和抑郁症预测。

Nov, 2022

国内外最新研究表明，数字孪生是一种在物理系统中利用语义网络技术进行监测和推理过程的新概念。本研究通过对 82 篇研究文章进行系统的文献综述，分析了数字孪生中语义技术、本体论和知识图谱的应用情况，并针对制造业和基础设施等不同领域提出了可能的研究方向和尚待解决的问题。

Aug, 2023