An AI-Driven Wearable Framework for Remote Health Monitoring and AR-Based Notifications
Notice bibliographique
Résumé
The rising rate of chronic diseases and the aging population of the world is a problem that highlights the need to have real-time health monitoring solutions that are proactive. The current wearable gadgets do not offer much predictive data and have restricted clinical functionality as they offer generic, reactive notifications with only partial predictive power. In this paper, a healthcare framework, called ARHealthMonitor, which relies on AI and uses smartwatches and AR-enabled smart glasses as its foundational elements to provide continuous and individualized health monitoring and automated emergency response is discussed. Multimodal sensors are used to record cardiovascular and activity measurements and a cloud-edge AI processor is used to set individual baselines, detect anomalies, and minimize false alarms by 35% over threshold-based models. Trial prototype testing of 50 subjects showed fall detection sensitivity of 92 percent, less than 3 percent error in heart rate measurements and mean-time-to-alert (MTTA) of less than 15 seconds. The system combines healthcare processes with EHR/telehealth interoperability. The platform uses end-to-end encryption to align with the Health Insurance Portability and Accountability Act (HIPAA), the General Data Protection Regulation (GDPR), and India's Digital Personal Data Protection (DPDP) Act, an independent audit will be sought in future work. Findings suggest that ARHealthMonitor can be used to turn consumer wearables into clinical-quality preventive care systems which can better the results of early intervention and prevent unnecessary emergencies.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».