Heart rate prediction with contactless active assisted living technology: a smart home approach for older adults
Notice bibliographique
Résumé
Background As global demographics shift toward an aging population, monitoring their heart rate becomes essential, a key physiological metric for cardiovascular health. Traditional methods of heart rate monitoring are often invasive, while recent advancements in Active Assisted Living provide non-invasive alternatives. This study aims to evaluate a novel heart rate prediction method that utilizes contactless smart home technology coupled with machine learning techniques for older adults. Methods The study was conducted in a residential environment equipped with various contactless smart home sensors. We recruited 40 participants, each of whom was instructed to perform 23 types of predefined daily living activities across five phases. Concurrently, heart rate data were collected through Empatica E4 wristband as the benchmark. Analysis of data involved five prominent machine learning models: Support Vector Regression, K-nearest neighbor, Random Forest, Decision Tree, and Multilayer Perceptron. Results All machine learning models achieved commendable prediction performance, with an average Mean Absolute Error of 7.329. Particularly, Random Forest model outperformed the other models, achieving a Mean Absolute Error of 6.023 and a Scatter Index value of 9.72%. The Random Forest model also showed robust capabilities in capturing the relationship between individuals' daily living activities and their corresponding heart rate responses, with the highest R 2 value of 0.782 observed during morning exercise activities. Environmental factors contribute the most to model prediction performance. Conclusions The utilization of the proposed non-intrusive approach enabled an innovative method to observe heart rate fluctuations during different activities. The findings of this research have significant implications for public health. By predicting heart rate based on contactless smart home technologies for individuals' daily living activities, healthcare providers and public health agencies can gain a comprehensive understanding of an individual's cardiovascular health profile. This valuable information can inform the implementation of personalized interventions, preventive measures, and lifestyle modifications to mitigate the risk of cardiovascular diseases and improve overall health outcomes.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».