可穿戴设备记录生理和行为信号,有助于改善健康预测。我们利用超过25亿小时的可穿戴数据,开发了行为信号基础模型,该模型在57个健康相关任务中表现优异,尤其在睡眠预测等行为驱动任务中,结合原始传感器数据后效果更佳。这表明基础模型设计需针对可穿戴设备,以推动新健康应用的发展。
本研究针对全球老龄化问题,构建了智能老年护理服务模型,利用多模态数据融合技术,提高了老年人健康行为预测的准确性和稳健性,为健康管理提供了技术支持。
本研究提出MPLite框架,解决医疗健康记录中单次访问记录被忽视的问题。通过结合轻量神经网络与实验室结果,显著提升健康预测能力,优于现有模型。
本文介绍了多种基于深度学习的健康预测模型,包括儿童肥胖症预测、BMI估计和体脂百分比评估。这些模型利用神经网络和计算机视觉技术,提高了预测准确性,并强调了早期识别肥胖相关健康问题的重要性。
本研究探讨了大型语言模型(LLMs)在零样本条件下理解原始IMU数据并进行人类活动识别的能力。基准测试结果显示,LLMs在识别任务中优于传统模型,展现了其分析传感器数据的潜力。此外,研究还探讨了LLMs在健康预测和生成虚拟数据方面的应用,显示了其在医疗领域的有效性和前景。
完成下面两步后,将自动完成登录并继续当前操作。