Continuous Well-Being assessment and actionable feedback using explainable regression for Edge-Enabled wearable devices
Notice bibliographique
Résumé
As the utilization of wearable devices in health monitoring continues to expand, there is a pressing need for intelligent system designs that can not only collect physiological data but also transform it into results that are comprehensible, meaningful, and practical. The application of current models in real-world digital well-being measurement is limited by their inability to provide continuous feedback or personalized recommendations. In the paper, we propose a regression-based model that is both technically stable and interpretable, and that is used to estimate the well-being score using data from ubiquitous sensors. The system employs a Ridge Regression model with counterfactual reasoning to provide high-fidelity score predictions (R 2 = 0.9996, MSE = 0.0275, RMSE = 0.166), as well as human-interpretable behavioral advice. The well-being score is expected to fall within the range of 34 to 80, with a higher score indicating exceptional well-being and a lower value indicating a deterioration in physical or mental status. One of the decision statuses is assigned to each result. Scores of 75 and more are reasons to continue the same behaviour and strengthen the positive routines, and scores of 40 and less are signs of critical levels of well-being. It is better to take some rest, practice mindfulness, or find clinical support. This interpretability degree will allow real-time and personalized decision support to both the user and the linked wearable systems. The proposed framework will be designed to operate in wearable technologies with minimal power and be deployed on-device, in contrast to other literature works that are either not transparent or do not produce actionable feedback. In contrast to other previous works that were not transparent or rationally based, this one involves precise predictions, interpretability, and personalized guidelines. It offers a comprehensive solution for smart health monitoring by converting sensor data into meaningful scores and proactive well-being management recommendations.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».