本文内容如下e-collection /主题问题:

数字健康评论(719) 人工智能(599) 机器学习(937) 为医护人员提供决策支持(685)

发表在在24卷,没有11(2022): 11月

本文的预印本(早期版本)可在https://preprints.www.mybigtv.com/preprint/36553，首次出版．
环境辅助生活:人工智能模型、领域、技术和关注的范围审查

环境辅助生活:人工智能模型、领域、技术和关注的范围审查

环境辅助生活:人工智能模型、领域、技术和关注的范围审查

本文作者:

Mladjan约万诺维奇1 作者Orcid图片； Goran Mitrov2 作者Orcid图片； Eftim Zdravevski2 作者Orcid图片； 那Lameski2 作者Orcid图片； 莎拉Colantonio3. 作者Orcid图片； 马丁Kampel4 作者Orcid图片； 希尔达Tellioglu4 作者Orcid图片； 旧金山Florez-Revuelta5 作者Orcid图片
文章 作者 引用的 Tweetations (16) 指标

    审查

    1塞尔维亚贝尔格莱德辛尼杜努姆大学计算机科学系

    2北马其顿斯科普里圣西里尔和梅第乌斯大学计算机科学与工程学院

    3.意大利国家研究委员会信息科学与技术研究所信号与图像实验室，比萨，意大利

    4维也纳理工大学信息学学院，奥地利维也纳

    5西班牙阿利坎特大学计算技术系

    通讯作者:

    Mladjan Jovanovic博士

    新都南大学计算机系“，

    Danijelova 32

    贝尔格莱德,11000

    塞尔维亚

    电话:381 603831844

    电子邮件:mjovanovic@singidunum.ac.rs


    相关的文章这是更正后的版本。更正声明见://www.mybigtv.com/2022/12/e45081

    背景:环境辅助生活(AAL)是各种人工智能(AI)应用程序和平台的统称，可为从健康到日常生活等多种活动中需要帮助的用户提供支持。这些系统使用不同的方法来了解用户，并做出自动决策，即人工智能模型，以个性化服务和提高结果。鉴于为不同需求、健康状况和技术倾向的人开发和部署的众多系统，获得关于所使用的人工智能模型的清晰和全面的见解，以及它们的领域、技术和关注点，以确定未来工作的有前景的方向是至关重要的。

    摘要目的:本研究旨在对AAL中AI模型的文献进行范围综述。特别地，我们分析了AАL系统中使用的特定AI模型、模型的目标领域、使用模型的技术以及从最终用户的角度考虑的主要问题。我们的目标是巩固这一主题的研究，并告知最终用户、医疗保健专业人员和提供者、研究人员和从业人员，以开发、部署和评估未来的智能AAL系统。

    方法:本研究是作为一个范围性综述进行的，以识别、分析和提取相关文献。使用自然语言处理工具检索文章语料库，实现高效、全面的自动化文献检索。然后从语料库中提取相关文章，进行人工分析。这篇综述包括5个数字图书馆:IEEE、PubMed、施普林格、Elsevier和MDPI。

    结果:我们总共收录了108篇文章。2010年1月至2022年7月，各分类相关文章的年分布均呈现增长趋势。人工智能模型主要采用无监督和半监督方法。主要的模型是深度学习、自然语言处理、基于实例的学习和聚类。活动辅助和识别是模型最常见的目标领域。环境传感、移动技术和机器人设备主要实现模型。老年人是主要受益者，其次是不同年龄的病人和体弱者。可获得性是受益者最关心的问题。

    结论:本研究提出了人工智能模型在AAL及其领域、技术、受益者和关注点的分析证据。未来关于智能AAL的研究应该让医疗保健专业人员和护理人员作为设计师和用户，遵守与健康相关的法规，提高透明度和隐私性，与医疗保健技术基础设施集成，向用户解释他们的决定，并建立评估指标和设计指南。

    试验注册:国际系统评价前瞻性注册期刊CRD42022347590;https://www.crd.york.ac.uk/prospero/display_record.php?ID=CRD42022347590

    中国医学杂志，2018;24(11):e36553

    doi: 10.2196/36553

    关键字

    环境辅助生活； 光芒四射； 辅助生活； 积极的生活； 数字医疗； 数字健康； 自动学习方法； 人工智能算法； 以人为中心的人工智能； 审查； 影响； 人工智能； 移动电话


    背景

    环境辅助生活(AAL)是一个总括术语，描述了一种技术设计的一般方法，用于在辅助用户周围构建安全环境并帮助他们保持独立生活[1］．随着时间的推移，它的目标用户主要是老年人(年龄为>65岁)。

    为这一群体开发技术是一项日益重要的设计挑战，因为他们在晚年生活中会出现特定的缺陷[2］．除了可用性之外，越来越多的人强调为老年人设计技术，使他们不仅能够满足他们的需求，而且还能改善他们的身心健康和福祉。3.，4］．这一挑战尤其重大，因为老年人正在成为最大的人口群体。2020年，欧盟超过五分之一(20.6%)的人口年龄≥65岁[5]，到2030年，估计16.6%的世界人口年龄将≥60岁[6］．

    在过去的十年里，随着人们年龄的增长，许多技术设备被开发出来支持积极的生活方式，这与促进健康有关[4，7，8］．健康促进系指"通过卫生扫盲工作和采取多部门行动增加健康行为，增强人民对其健康及其决定因素的控制能力的进程" [9］．关于技术设计，目标是找到具有成本效益的解决方案，以帮助独立生活，并提供保健和福祉[10］．对信息和通信技术研究和开发的全面分析显示，这些技术的共同目标是提供健康、无障碍和安全[11，12］．许多技术都试图帮助老年人进行日常活动[4，11，13-15］．

    为了支持无残疾和独立生活以及老年用户的福祉，AAL系统使用自动化决策机制，集成、分析和解释复杂的多模式和多设备信息[7］．这些系统专注于涉及老年用户的自动化决策的2个一般场景-健康监测而且活动识别［8，16，17］．

    不同的监控各种技术系统针对不同的情境，包括使用可穿戴设备和环境传感技术的预防跌倒监测系统[18以及为痴呆症和轻度认知障碍患者提供福利的社交机器人[13]到休闲游戏，以及治疗和康复期间的用户粘性[14］．

    机器人技术已被广泛利用，作为支持健康监测和移动能力的工具，如力量、平衡和活动范围[15]，或作为同伴[19]以协助老年人在家中进行日常和社交活动。前者可能是非社交机器人，而后者则是社交机器人，其主要目标是提供陪伴。

    远程临场感机器人已经成功地用于支持老年人在家进行日常活动的自主性。Giraff是一款远程呈现机器人，它使用视频接口，让护理人员和亲属能够远程拜访家中的老年人。20.］．它运行隐式数据收集(血压、体温、运动和跌倒)，然后分析数据，以提醒护理人员发生紧急情况。同样，Matilda是一个具有人类属性的社交机器人(如娃娃脸的外表、人类的声音、手势和身体动作)，可以识别声音和面孔，并进行播放音乐、跳舞和玩纸牌游戏等活动[21］．

    虽然生物衰老无法阻止，但定期锻炼可以最大限度地减少其生理影响，提高生活满意度，并延长老年人功能能力的衰退[22］．有关老年人最喜欢的活动的研究表明，散步、慢跑和户外保养等体育活动最为重要。23］．特定技术，如exergames [10]或网上练习及活动[24，25]，激励、维持和监测老年人家中的身体和社会活动。结合人类行为理论的特征，如目标设定、自我监控、成就、个性化反馈和进展，这些应用程序对老年人的效率更高(即，增加体育活动的参与和相关的健康结果)[26］．

    在AAL的背景下，活动识别关注追踪老年人和体弱者的日常行为。它可以检测跌倒和识别日常生活活动(ADL)，这对于识别与特定疾病发展相关的复杂模式至关重要。兹德拉夫斯基等[27]提出了一种自动化方法来分析来自各种传感器的多元时间序列，并促进日常活动的稳健分类。

    可穿戴［28),移动技术(29，30.]已用于隐式数据收集和分析，以识别老年人的活动，以跟踪他们的健康状况和检测紧急情况。

    从技术角度来看，可穿戴技术的能源效率似乎是持续测量和活动识别的主要限制因素[28］．它进一步影响到向用户提供及时和翔实的反馈和建议。与用户有关的主要问题是隐私和接受度[28原因是用例不明确，而且针对老年人的设备与智能手机配对存在困难。对可穿戴设备的更稳定的承诺要求用例具有明显的好处，并减少老年人使用的工作量。

    移动技术是老年人健康和活动数据收集的多功能来源[29，30.］．它们有助于老年人的家庭护理和自我健康和福祉管理。这些应用程序基于目标活动和健康识别功能实现各种服务，以支持医疗保健和独立生活(例如，提醒、陪伴或推荐最喜欢的活动或治疗)。然而，在实践中使用移动技术的重大障碍包括隐私[30.]以及触摸屏交互风格的技术素养和可用性[31］．

    AAL技术使用各种人工智能(AI)模型来了解用户的习惯和健康状况，以自动决策提供充分的服务。表1显示了常见的AI分类，而表2总结了现有人工智能模型的学习和决策技术，以及它们所解决的问题(使用相应的算法)[32-34］．我们分离了分类和模型，因为多个模型可以属于同一个类。相反，一些模型可以实现不同的类(例如，聚类可以以监督和非监督的方式完成)。

    表1。人工智能分类为常用学习方法[32-34］．
    名字 描述 问题或算法
    监督式学习 输入(训练)数据或示例被标记为已知的输出值。该模型在训练过程中使用数据进行预测，当预测错误时，会进行修正。该过程一直运行，直到模型达到所需的预测精度水平。 分类与回归
    无监督学习 输入数据没有标记，输出值是未知的。相反，通过从输入数据中删除结构来训练模型，以提取一般规则，减少冗余或根据相似度组织数据。 聚类、降维和关联规则学习
    Semisupervised学习 输入数据包含有标记和无标记的示例。该模型学习组织数据的结构，以创建预测。它对未标记的数据建模。 分类与回归
    强化学习 该模型奖励期望的行为并消除不希望的行为。它由一个学习代理(流程)表示，该代理感知并解释其环境，采取行动，并通过反复试验进行学习。 马尔可夫决策过程，Q学习和蒙特卡罗方法
    表2。人工智能模型综述[32-34］．
    模型 学习技术 问题或算法
    回归学习 对输入和输出数据(或变量)之间的关系建模。这种关系是通过测量模型预测的误差来迭代改进的。 比如线性回归和逻辑回归
    基于实例的学习 基于被认为相关或必要的输入数据实例建模决策。创建一个参考示例数据库，用于与新数据进行比较，以使用相似度指标来做出决策，以找到最佳匹配。 k近邻和支持向量机
    正则化学习 对另一个模型(如回归学习)的扩展或修改，通过将其转换为更简单的形式来降低模型的复杂性。 脊回归和弹性净回归
    决策树学习 根据输入数据属性的值为决策建模。它遵循树形结构对给定的输入数据进行决策。 分类和回归树和条件决策树
    贝叶斯学习 该模型使用贝叶斯定理来解决分类和回归问题。 Naïve贝叶斯和高斯naïve贝叶斯
    聚类学习 模型将输入数据组织成组(或集群)，其中组成员资格或公共标准是从数据中获取或派生的(例如，基于质心的或分层的)。 k -均值，k -中位数和层次聚类
    关联规则学习 该模型发现输入数据中的关联以做出决策。它提取了描述输入数据中观察到的变量之间关系的规则。 一个先验算法和Eclat算法
    人工神经网络 该模型是由人类神经网络的结构和功能驱动的。表示用于回归和分类问题的一类模式匹配模型及其常用变体。 感知器，多层感知器，以及反向传播
    深度学习 大型复杂神经网络的特殊类别，用于处理大量标记输入数据，包括文本、图像、音频和视频。 卷积神经网络，循环神经网络，长短期记忆网络
    降维学习 该模型通过分析数据中的输入结构来表示和描述信息较少的数据。简化后的数据可以可视化，并可用于其他学习方法。 主成分分析，主成分回归，线性判别分析
    整体学习 独立训练的多个模型，其中单独的预测结合起来做出最终的预测。由于这些模型在做出预期预测时存在弱点，因此将它们组合在一起。 增强，随机森林，AdaBoost和加权平均(混合)
    自然语言处理 专门针对对话式人工智能，包括自然语言理解、对话管理和自然语言生成。 基于规则的算法、统计学、神经网络和深度学习

    研究目的

    本研究探讨了现有AAL技术支持独立生活的AI模型。模型的决策质量有利于积极的行为改变，为老年人和其他需要帮助的用户群体保持积极和健康的生活方式。这对于预防功能衰退和支持健康治疗至关重要。我们的工作旨在确定研究和实践中的积极方面和差距，为未来的AAL系统提供启示。

    这一范围分析集中在以下研究问题(RQs):

    1. RQ1:在AAL系统中实现了哪些AI模型?首先，我们在当前的AAL系统中识别、描述和系统化了AI分类和模型。为此，我们提取了常用术语来描述当前的AI模型和AAL。
    2. RQ2:模型的领域是什么?其次，我们描述了现有的目标领域及其具体活动，以提出适当的应用策略，以加强积极方面，并突出需要进一步研究的关键部分。
    3. RQ3:使用这些模型的技术是什么?第三，我们研究了使用人工智能模型的不同技术，以巩固和提供智能AAL系统的设计和开发指南。
    4. RQ4:从最终用户的角度来看，这些模型的主要关注点是什么?最后,we examined end-user groups and their perceptions of AAL system use to indicate specific requirements that the systems should meet or improve.

    本研究回顾了AAL中的AI模型，涉及它们在2010年至2022年的文献中发表的领域、技术和关注点。研究结果旨在供卫生和护理专业人员、研究人员、技术提供商和最终用户在开发、部署和评估智能AAL技术时参考。

    本文继续如下:方法部分包括研究范围内文献综述的方法;结果部分描述了对108篇选定文章的分析结果;讨论部分包含了关于rq的审查结果的讨论，并概述了结论、限制和对未来工作的影响。


    研究类型

    本文被组织为范围审查，包括对现有文献的综合和分析，以提供一个概念性框架，系统化和澄清AAL系统中的具体现象- ai模型。我们通过在IEEE、PubMed、施普林格、Elsevier和MDPI研究文章数据库中进行系统的文献搜索，确定了要审查的文章。该研究实施了用于系统评价的PRISMA(系统评价和元分析首选报告项目)工作流程[35]，详见图1．

    ‎
    图1。评审流程的PRISMA(系统评审和元分析首选报告项目)流程说明了相关文章的识别、筛选、资格和纳入。
    查看此图

    识别

    在检索过程中，对图书馆文章的标题、摘要和关键字进行查询，检索词的结构为表3．AAL和AI分类和模型类别的搜索词对所有文章都是强制性的，其余类别是可选的。我们根据类别作为属性运行搜索，并使用关键字。为此，我们使用了我们开发的用于自动文献搜索、筛选和分析的自然语言处理(NLP)工具包[36］．工具箱接受关键字集合作为输入，以检索可能相关的文章，并结合文章要满足的属性集(或类别)和属性组(作为子类别)。输入可以使用关键字和属性同义词进行扩展，以优化搜索和筛选过程。工具包的细节可以在Zdravevski等人的文章中找到[36］．

    该搜索于2022年7月进行，包括2010年至2022年期间用英语撰写并发表的研究文章。鉴于人工智能的快速发展也影响了技术支持的AAL的显著增长，我们希望覆盖有关时间框架的充分研究景观。

    搜索过程有时通过多个关键字和短语来识别同一篇文章表3．例如，文章可以描述多个AI模型或分类的使用。在这些情况下，我们对文章进行多次统计，根据每个找到的关键字，并将其呈现在图2-13在结果部分。

    表3。范围审查的自然语言处理搜索工具包的关键术语。
    类别 标准 关键字
    环境辅助生活 强制性的 环境辅助生活，环境辅助生活，辅助生活，主动和辅助生活，而且主动辅助生活
    人工智能课 强制性的 监督学习，无监督学习，半监督学习，而且强化学习
    人工智能模型 强制性的 分类，回归，聚类，降维，关联规则学习，基于实例的学习，正则化学习，决策树学习，贝叶斯学习，ANN, DL，集成学习，而且自然语言处理
    域 可选 活动识别、健康监测、活动协助、康复、治疗、互动、交流、而且娱乐
    技术 可选 移动技术，移动设备，智能手机，平板电脑，触摸屏，可穿戴技术，可穿戴设备，机器人，机器人设备，环境传感，环境传感器，游戏，游戏化，会话代理，聊天机器人，虚拟助手，而且虚拟的同伴
    受益人 可选 老年人、体弱者、病人、医护人员、护理人员、而且家庭
    担忧 可选 接受、采用、可用性、可访问性、隐私性、可用性、可靠性、安全性、而且安全

    筛选

    在筛选阶段，我们对检索到的文章进行评估，以评估其与本综述的相关性文本框1．

    前3位作者(MJ、GM和EZ)独立手动筛选每篇文章的内容，并对其进行编码，以表明其与纳入标准的相关性。在作者之间的定期讨论中交叉检查、解决和确认了这些包含。

    纳入和排除标准。

    入选标准

    • 环境辅助生活(AAL)应用程序和平台的人工智能(AI)类和模型，其中明确考虑了特定的类和模型，在没有描述、分析或评估的情况下不会提及。
    • 文章有助于AI模型的领域，以支持或协助特定的健康相关或日常活动，符合研究问题2。
    • 文章演示了不同的AAL技术，这些技术使用模型，并根据研究问题3向最终用户交付AAL系统的自动化决策。
    • 文章描述了最终用户对模型的自动化决策结果的关注，根据研究问题4。
    • 主要终端用户是老年人，但终端用户也包括其他用户群体。

    排除标准

    • 包含搜索词的文章，但AAL、AI类和模型、领域、技术和最终用户的关注点没有被仔细审查。因此，它们与研究问题1-4无关。
    • 相关主题的文献综述和调查。
    文本框1。纳入和排除标准。

    提取

    在这个阶段，我们详细地分析了每篇包含的文章。我们识别并提取了AAL系统中的AI类和模型、模型的目标领域和技术，以及最终用户的类别和关注点(每篇文章都有)。从文章中提取的信息保存在共享的电子表格中，以方便编码和作者之间的讨论。提取的信息包括发表地点和日期、文章摘要、使用的人工智能模型(包括相应的人工智能算法和工具)、模型的目标领域(如果可用)、使用模型的技术(如果有)以及关于最终用户的信息及其对模型的关注(如果可用)。

    分析

    在这一阶段，我们对提取的信息进行了手册式的专题分析。我们的目标是对AAL系统的AI类、模型、领域、技术和关注点进行分类。编码数据是处理评审rq的基础。特别是，我们根据文章的主要结果对文章进行了分组，以指导分析如下:描述AAL系统的AI类和模型的文章，处理模型领域的文章，展示使用模型的技术的文章，以及模型的受益者和使用关注点的文章。

    我们将描述分析特定项目组的一般方法。

    AAL中人工智能类和模型的分析系统涉及识别和描述系统的自动学习和决策功能，包括特定的人工智能算法或工具。AI模型的领域分析考虑具有受支持活动的特定应用程序场景。人工智能模型的技术分析通过它自动生成决策并将其传达给最终用户。模型关注点的分析包括各种终端用户对模型功能和结果的看法和倾向。


    筛选程序及文章数量

    NLP搜索工具包最初确定了36,370项潜在相关研究(图1)．然后，重复的基因被消除，数量减少到20295个。自动筛选过程进一步删除了60篇发表于2010年之前或由于解析错误、不可用或其他原因而无法分析标题或摘要的文章。NLP工具包的高级功能评估了剩余20235篇文章的合格性，并保留了305篇文章。自动化处理后，根据纳入和排除标准对文章进行详细分析。最后，108篇文章被认为符合深入人工调查的条件，以确定和阐明研究结果、趋势和影响。文章在多媒体附件1［27，37-142］．

    我们通过响应指导我们评审的rq来描述结果。

    有关文章及类别的分布

    图2说明了包含不同人工智能类别和模型的相关文章的年度出现情况。“辅助生活”一词在文献中常用来描述根据AAL的定义，具有类似上下文和使用目的的系统[1，4］．它在某些年份(例如2019年)的文章数量超过了AAL，并且在2018年和2020年与AAL相当。在较小的情况下，仅使用缩写。总的来说，在整个搜索时间框架内，有一个增长的趋势，偶尔在特定的年份下降。下降是由于我们的搜索条件和纳入标准。许多文章讨论了人工智能，但没有明确提到人工智能模型的应用和结果。

    综合数字图书馆和相关文章出版年份的信息可以看出，IEEE处于领先地位，并呈上升趋势，在2020年达到峰值(图3)．这是意料之中的，因为发行商以技术为导向，有许多与AI模型和AAL相关的场所。PubMed紧随其后，更多地处理了主题的最终用户方面，例如不同类型的用户评估。我们可以注意到2020年之前的增长趋势和之后的振荡期。施普林格库结合了技术文章和面向用户的文章。爱思唯尔图书馆的相关文章数量较少，年度趋势不规律，而MDPI从2020年开始发表相关文章。

    由于在检讨期间内有关文章的总数有所增加，与相关类别有关的文章数目亦随之改变(图4)．至于三个强制性类别(光芒四射，人工智能分类,人工智能模型)，到2020年总体呈增长趋势，前一年偶有下降，2021年有所下降。作为一个可选类别，域遵循了领先的趋势，但文章较少，这表明有时它没有被考虑(即，以独立于领域的方式使用或测试AI模型)。的受益人遵循领先趋势，但小于领域，这表明人工智能模型有时被研究时与特定的用户组或组无关。的受益人在总量上与技术相当，但由于相关文章中不同类型的AI模型验证(即，有或没有用户的部署和评估)，每年都会出现振荡。的担忧随着时间的增长而出现最小的数量，并在某些年份出现振荡，这表明相关文章关注的是AAL中AI模型的各个方面，超出了用户的关注点(即算法的准确性和性能)。

    ‎
    图2。2010年1月至2022年7月，每年关于人工智能类和模型的环境辅助生活(AAL)相关文章的数量。
    查看此图
    ‎
    图3。2010年1月至2022年7月，每年相关文章数量，按相应数字图书馆分组。
    查看此图
    ‎
    图4。从2010年1月至2022年7月，每年每个类别的相关文章数量。AI:人工智能。
    查看此图

    类别之间和类别内部的连接

    我们的分析显示搜索类别之间有重叠。我们的目标是平等地表示所有类别，同时突出特定的联系作为信息(例如，来自不同类别或类别内的实例的高共现率)。

    图5展示了人工智能模型和它们使用的类的关联。半监督学习是深度学习(DL)和NLP模型的主要方法(51次出现)。无监督学习主要出现在聚类(14次)、基于实例的学习(12次)和深度学习(11次)中。监督学习盛行于基于实例的学习和深度学习(每个模型出现9次)。最后，强化学习是DL和NLP的偶尔方法(每个模型出现7次)。

    这项研究揭示了不同类别之间的特定协同效应。关于课程，有20篇文章结合了监督学习和非监督学习。强化学习与之前的17次每节课一起使用。这些研究将课程按顺序组合起来，或在解决具体问题时相互比较。关于模型，我们注意到NLP任务主要是用DL算法和工具处理的(51次)。

    图6介绍了人工智能模型、领域和受益者的组合。活动辅助(33次)、活动识别(25次)和交互(14次)主要使用DL模型。类似地，在较小的程度上，NLP模型在活动辅助(26次)、活动识别(19次)、交互(15次)和通信(10次)方面提供了帮助。

    人工智能模型和受益者的组合突出表明，老年人是DL(27次)和NLP(26次)的主要用户。患者和体弱者与DL模型各共存11次。

    受益人和领域的共同出现表明，活动援助主要针对老年人(27次)，其次是活动识别(17次)和交流(10次)。

    至于类别内的联系，活动识别是一种常见的协助形式(38次)，其次是通信(12次)、交互(12次)和运行状况监视(10次)。患者与体弱者共发生11次。老年人分别被称为体弱者和患者9次，这表明人工智能模型主要服务于健康的老年用户。家庭、护理人员和医护人员很少同时出现在这些文章中。

    图7显示技术、受益者和关注点之间的实例和联系。不同类别的节点之间的关系显示，老年人常用的环境传感技术(9次)，移动设备(7次)和机器人(6次)。与此同时，他们的主要关注点是可用性(7次)、可用性(5次)以及安全性和可访问性(每个类别4次)。可获得性是患者关注的问题(4次)。此外，可用性是可穿戴技术的主要关注点(5次)，以及环境传感和移动技术(每类4次)。

    一个类别内的实例之间的联系表明，移动设备偶尔使用环境传感和可穿戴技术的次数分别为4次和3次。

    ‎
    图5。在相关文章中描述人工智能类和模型共同出现的热图。ANN:人工神经网络;NLP:自然语言处理。
    查看此图
    ‎
    图6。在相关文章中描述人工智能模型、领域和受益人共同出现的热图。ANN:人工神经网络;NLP:自然语言处理。
    查看此图
    ‎
    图7。在相关文章中描述技术、受益人和关注点共同出现的热图。
    查看此图

    AAL中的人工智能类和模型

    关于班级，相关文章分析(图8)表现出最高的半监督学习(52次)，其次是无监督学习(50次)，监督学习(29次)和强化学习(20次)。

    AI类的分布如图所示半监督式学习自2010年代以来，模型一直占主导地位，直到2017年才出现不规则的增长趋势，当时它们弥补了特定输入缺乏足够数量的标记数据。具体的例子包括身体活动识别的聚类[37]，寻找相关的输入特征，以改善活动识别[27]，并从图像序列中检测用户与对象的交互[143］．

    的无监督学习模型趋势紧随前一类，出场次数略少。使用它们的动机是，早期AAL解决方案旨在支持的各种活动普遍缺乏注释(或标记)训练数据[4，8］．这类问题主要是通过根据共享属性分组或简化输入数据来解决的。随后出现的增长趋势是由于出现了新的卫生领域和活动，解决方案针对这些领域和活动，但不存在这些领域和活动的标记数据。这些例子包括从未标记的数据中识别和测量日常活动[38]，聚类创建人类活动的本体[39]，或预测用户在室内活动的分类[40］．

    监督式学习模型显示，到2020年，经济将普遍增长。它们补充了其他方法(例如，无监督和强化学习;图5)用于存在标记数据的特定用户活动。它们被用于各种分类AAL内的任务，例如用红绿蓝深度(RGBD)摄像机重新识别用户[41]和使用可穿戴传感器的ADL识别[42］．

    强化学习这些型号从2010年开始使用，直到2015年使用量增加，2017年之后使用量减少。它们可以作为数据驱动方法(即聚类和回归)的替代方案，通过促进可取的行为和消除不可取的用户行为。隐马尔可夫模型是应用程序中最常见的算法，包括从设备消费数据识别用户活动[43]或多台Kinect设备[44］．

    关于模型，研究显示DL的患病率(63次)，其次是NLP(54次);基于实例的学习(20次);聚类(17次);集成学习(12次);回归(7次);贝叶斯学习、决策树学习、降维(各4个);人工神经网络;3出现);正则化学习(2次)。

    在下面的章节中，我们将根据每种模型的流行程度(图9)．

    戴斯。莱纳姆:模型在2017年获得了发展势头，迄今为止扩展了它们的用例。它们的应用假定大量生成不同结构和语义的标记输入数据。卷积神经网络是该模型中最常见的独立或组合使用的算法。例如，通过将智能手机传感器的数据转换为基于图像的表示来进行活动识别[45]或使用RGBD相机检测人体姿势[46］．

    使用NLP模型可以分为两个阶段:早期应用程序(截至2015年)，主要关注语音识别和自然语言理解;后期应用程序也可以执行对话管理和自然语言生成。我们可以用DL算法促进的对话人工智能的关键进步来解释这一趋势，这些算法与我们的搜索时间框架重叠[34］．例如，在ADL中检测老年人的声学事件(如敲门、咳嗽和拍手)[47]和与机器人同伴对话[144］．

    基于实例的学习在整个搜索期间都使用了模型，趋势不规则，最近从2020年开始下降。他们主要使用k近邻和支持向量机算法。用例包括使用多视图红外运动传感系统识别家中的身体活动模式[48]或从深度相机捕捉的人体关节轨迹中检测ADL [49］．

    聚类学习在搜索时间框架的特定年份中使用模型，主要是无监督的，作为在缺乏关于特定用例的标记数据的情况下的替代方法。用例包括在机器人设备中预测连接用户的一系列动作[50]或从运动传感器数据中检测与用餐相关的姿势[51］．

    整体学习模型从2014年开始使用。该模型的主要算法是Boosting和random forest，包括来自可穿戴传感器的身体活动分类[52]以及智能手机加速计数据的癫痫和跌倒检测[53),分别。

    其余模型在搜索时间框架内使用的范围较小。

    回归学习模型主要为线性回归，如负重行走和踝外骨骼辅助下的斜坡行走时的实时能量消耗估算[54]或使用脑电图从手抓物中识别ADL [55］．贝叶斯学习模型应用于分类问题，如使用可穿戴运动传感器收集的数据进行ADL识别(即检测和分类)[42］．决策树而且降维模型用于分类任务。相应的例子根据步数对体育活动进行分类[56或者Wi-Fi和可穿戴设备的数据[57］．ann被应用于分类问题，作为DL模型的前身，例如安全关键环境中的活动识别(例如，跌倒检测)[58］．最后,正则化学习模型应用于回归任务，如选择预测性输入特征用于RGBD摄像机的人员识别[41］．

    尽管在以前的、相关的或将来的工作中，一些文章中提到了它们，但我们的分析并没有揭示的例子关联规则学习模型的算法。

    ‎
    图8。2010年1月至2022年7月人工智能类相关文章数量及年度分布情况。
    查看此图
    ‎
    图9。2010年1月至2022年7月人工智能模型相关文章的数量及年度分布情况。ANN:人工神经网络;NLP:自然语言处理。
    查看此图

    人工智能模型的领域

    AI模型应用于多个领域、每个领域或组合(图10)．最受欢迎的域名是援助活动(61次)和活动识别(45出现)。直到2020年，区域呈增长趋势，并在时间范围内周期性振荡。如前所述，在之前的研究中，它们主要是相互关联的(38次;图6)．活动辅助一直是AAL和辅助技术的重要目标。移动是一种常见的辅助活动，例如老年人的移动机器人步行者[59]或帮助视障人士在物理空间中导航的智能眼镜[60］．人类活动识别(HAR)是一个常用的术语，用来描述各种身体活动的识别。这些活动通常分为注重健康的活动和工具性的活动。以福祉为重点)，表明智能AAL系统支持健康和生活质量。活动识别的一个基本挑战是预测长期行为[61］．同样，一些研究处理了用于室内辅助的机器人步行者的多传感器数据融合问题[62］．

    交互(21次)指使用不同的AAL系统，而沟通(17次)主要从技术角度考虑(例如，传感器、服务器和基于云的系统之间的通信)。前者的例子包括与创新的面部情绪识别家庭平台交互[46]或药物递送申请[63］．后者是一种用于获取患者数据的分布式多媒体系统[64]或数字足迹应用程序，以预测辅助用户的活动[65］．

    健康监测(14次)通常指观察用户的生命体征，以发现健康状况的变化和紧急情况，例如在用户家中收集与健康有关的数据[64]或使用雷达传感器进行家庭门分析[61］．

    康复(8次)，治疗(3次)和娱乐(1次)在搜索时间框架内较少受到研究界的关注。一个康复的例子是在秋季康复期间建议药物治疗和锻炼的家庭系统[66］．

    ‎
    图10。2010年1月至2022年7月人工智能模型领域相关文章的数量和年度分布情况。
    查看此图

    使用AI模型的技术

    环境遥感而且移动技术(每类别15次)以AAL (图11)．它是一个涵盖性术语，指的是各种传感器，用于测量所观察到的环境(或周围环境)的参数，以检测和分析用户行为。在这方面，研究使用特定的传感器或组合多个传感器。在前一种情况下，视觉[49]及雷达[67传感器分别用于识别活动和测量生命体征。在后一种情况下，研究合并了来自各种传感器的信号，以提高能源效率，提高精度和性能(称为传感器融合)。例如，活动识别结合了深度图像序列和音频数据[68］．

    移动技术暴露2个典型角色。一个被动的角色通过使用他们的嵌入式传感器并提供一个用户界面来测量用户环境中的条件或他们的行为状态[53］．一个积极的作用在使用者中推广健康的习惯和行为，以积极改变生活方式，建议活动[65］．

    机器人技术(14次)在时间段内使用，趋势不规则。机器人很符合人工智能的模式，因为它们可以复制人类的能力和特征，但开发和部署的成本可能会影响它们的使用。在相关工作中，我们注意到了他们辅助而且陪伴目的。前者涉及上肢手势识别，以帮助患有ADL的用户[69］．后者通过与老年人互动来防止社会隔离，并在老年人、环境和AAL系统之间进行调解来证明[144］．

    可穿戴技术使用频率低于以前(10次)。一方面，与环境传感器单独使用相比，它可以引入一定程度的侵入性。另一方面，它可以通过移动设备(如智能手表和手环)获得，该研究发现了3个重叠部分(图7)．Slade等人的研究[54他们将可穿戴式传感器安装在用户的脚踝上，以估算步行时的能量消耗。另一个例子是活动识别，它解释了可穿戴传感器的测量不确定性[42］．

    会话而且游戏技术各出现3次。对话示例是一个社交机器人，它与用户进行简化的闲聊对话[144］．总的来说，与用于语音和文本识别的大量NLP模型相比，对话是罕见的。游戏是指使用游戏技术(如Kinect RGBD摄像头)来识别人类活动[145］．

    ‎
    图11。2010年1月至2022年7月人工智能模型技术相关文章的数量及年度分布情况。
    查看此图

    人工智能模型的受益者

    老年人是智能AAL系统的主要受益者(42次;图12)．针对这一目标群体使用AI模型的不同AAL系统中出现的共享元素包括HAR和测量生命体征。因此，Saeed等人描述的研究[70研究人员利用雷达传感器的数据来推断居住在社区的老年人的活动，而埃皮等人的研究[71通过分析加速度计和气压传感器数据来检测坠落。

    病人(n=26)为接受不同治疗的健康状况下降者。例子包括预防高危患者跌倒的活动预测[44]以及利用多种生命体征(如心率、血压和呼吸频率)诊断患者的临床异常[72］．与老年人的重叠(9倍;图6)表明，对于大多数老年人来说，AAL系统的目的更具有辅助性，旨在促进健康而不是治疗。

    虚弱的人(n=21)处于特定的脆弱状态，摔倒或残疾的风险增加。AAL对这些受益人的支持体现在诊断各种健康衰退方面。例如，利用磁共振图像诊断阿尔茨海默病[73]及利用使用者的机动性来侦测紧急情况[54］．

    卫生保健人员(n=7)、护理人员(n=5)和家庭(n=2)的到场人数比以前大大减少。由于AAL技术的使用，他们似乎成为更有效和有效的护理的受益者。例如，协助医护人员在家中监测病人的情况[66]并在病人病情恶化时通知医生和家属[64］．

    ‎
    图12。2010年1月至2022年7月人工智能模型受益者相关文章的数量及年度分布情况。
    查看此图

    人工智能模型的关注点

    可用性智能AAL系统是用户主要关注的问题(17次;图13)．它主要涉及一项特定的技术。例如，受益者偏爱现成的技术，如移动设备，因为它们可以提供的服务的可用性和成本[53］．相反，特定设备的可用性，如外骨骼[54]或多个Kinect设备[145，被强调为使用它们的潜在障碍。

    可访问性，采用,可用性各出现了6次。AAL系统服务的可访问性反映了获取这些服务的便利性，例如物联网设备的功能，可以根据用户的活动生成用户档案[74］．采用指的是更持久和稳定地使用引进的技术，并将其纳入受益者的日常生活，例如使用广泛采用的技术(即智能手机)进行人工智能[45］．可用性被描述为各种AAL系统的易用性，包括使用药物管理应用程序时成功完成任务的百分比[63］．

    可靠性，安全,安全各发生5次。可靠性从受益者的角度描述了人工智能模型结果的可靠性水平，例如活动跟踪器的感知准确性[56］．安全性是AAL应用程序防止对其用户造成任何伤害的要求，例如检测异常人类行为以避免危险情况[75］．安全性是指在使用AAL技术时保护用户免受外部威胁;例如，当使用用户的电器消费数据来推断他们的活动时[43］．

    隐私(2次)和验收(1次发生)受到的关注最少。私隐表现为在AAL系统收集、分析和使用期间需要保护受益人的资料，例如保护个人的身分[41］．接受度是AAL技术的一个理想品质，它促进了态度，例如用于患者监测的基于雷达的传感器的不突兀性[61］．

    ‎
    图13。2010年1月至2022年7月，有关受益人关注的相关文章的数量和年度分布情况。
    查看此图

    概述

    本节总结了范围审查的结果。人工智能模型是人工智能系统的关键驱动因素。在这方面，本研究通过考虑领域、技术和最终用户，阐明了它们在过去十年中的作用和意义。同时，它突出了关键的用户关注点，以确定需要进一步研究的差距。

    总体目标是提供AAL中AI类和模型研究的概述和综合(RQ1)，它们应用的领域(RQ2)，使用它们的技术(RQ3)，以及它们的受益者和使用关注点(RQ4)。

    以下部分讨论关于人工智能模型的演变和相关类别的主要发现，以及对不同利益相关者群体的影响，包括福祉和医疗保健、技术和研究。

    主要研究结果

    AAL中范畴的演化

    这段时间我们已经看到了各种各样的AI模型目标范围的贡献域，技术,受益人．半监督和无监督学习课程主导着智能AAL领域。它们的流行是因为健康和生活领域的多样性的增加，以及描述相关ADL和IADL的标记输入数据的逐渐出现，该学习旨在支持[37，38，143］．监督方法已用于分类任务[41］．

    DL和NLP模型主要用于整个搜索时间框架。DL模型结合了基于神经网络的算法，如卷积神经网络和递归神经网络[146］．这些算法既可以是有监督的，也可以是非监督的，但在相关文章中很少明确地考虑。然而，深入的手工文章分析表明，它们主要是受到监督的。这些算法处理来自异构源的多维输入数据。数据描述了各种人类活动，以支持或推断健康状况[45，46］．在帧的前半部分，NLP模型主要识别用户的语音输入[47］．在下半场，他们开启了与用户的对话。144］．使用参考示例(即基于实例的学习)和聚类的模型用于分类任务[48-51］．根据定义，集成方法将不同的模型结合起来以弥补各自的缺陷[52，53]并在之后的时间段内(从2014年开始)使用。然而，其他方法的使用频率明显较低。

    活动辅助和识别是主要领域，且总体呈增长趋势。在大多数情况下，活动援助假设识别(38/ 61,62%的情况)，而其余的情况集中在事先已知的特定活动上。根据不同的室内和室外活动(即步行、体育锻炼和交通)，支持一系列的日常活动强度和每日活动强度[59，60］．交互指的是终端用户所看到的系统[63］．通信表示AAL系统组件之间的内部相互关系[64］．健康监测集中于生命功能的偏差和异常行为的检测[61］．

    环境传感和移动技术主要应用于人工智能。传感使用不同的传感器来检测携带用户行为特定信息的可用信号[68］．移动技术作为促进健康和福祉的生活方式应用，在应用层面使用方便(即市场可得性、可负担性和广泛采用)[65]以及在设备层面作为集成传感器的平台[53］．机器人要么作为辅助设备帮助用户进行活动[69]或与他们一起进行愉快的活动[144］．

    研究发现，可穿戴设备明显较少，其次是会话和游戏技术。

    在搜索时间框架内，老年人是AAL人工智能模型的主要受益者[70］．26例患者中有9例与老年人共存，占发现病例的35% (图6)．这表明其他时代受益于人工智能模型[44，72］．体弱者较少出现，在43%(9/12)的病例中与老年人一起出现。与前者相比，卫生保健人员、护理人员和家庭的代表性不足，偶尔被提及。

    可获得性普遍是受益人关心的问题。一般来说，现成的、负担得起的技术[53]在成本和部署方面比更昂贵的设备更受青睐[54］．其余问题的病例较少。

    对保健和福祉的影响

    根据我们对领域、受益人和关注点的观察，我们确定了现有文献中的空白，并明确了未来工作的以下方向:

    • 协作决策——当前的AAL系统由模型的算法和输入数据驱动，自主地做出决策。专家用户(即卫生保健人员和护理人员)参与决策过程可以提高决策的准确性，促进对用户的自动化学习，并减轻卫生保健专业人员的负担。
    • 根据定义，扩大照顾者和接受者，AAL发生在卫生保健设施之外。在这种情况下，考虑照顾和照料对于坚持应解决参与者关切的卫生保健服务至关重要。这些受益者的积极参与对于成功的数字医疗干预至关重要，从他们的人工智能模型理解到特定的技术设计和部署。
    • AAL干预研究包括支持独立生活的各种技术和平台。我们的分析没有揭示研究之间关于其结果和经验的知识交流。为各个医疗领域设计了技术支持的保健干预措施。模型、领域、技术和受益者的系统化知识可以指导适应特定卫生保健需求的AAL干预措施。这些知识可以加强最佳实践，并减轻潜在风险。
    • 法规和遵从性——目前，AAL设计和部署空间没有受到规范，其遵从性也没有得到全球监管机构的承认和认可。AAL系统必须遵守国家和国际两级的规定。这对于它们在医疗实践中的实施和普遍采用至关重要。为了满足这一需求，我们提倡建立一个评估方法和设计指南的存储库，以支持合规性，并提供如何在AAL系统设计期间纳入关键方面的清晰视图。
    对技术的影响

    对模型、技术和关注点的分析揭示了需要更多关注的未解决问题，包括:

    • 透明和隐私- ai模型，就其本质而言，需要、产生和处理大量与用户相关的数据，从密集的数据收集和分析，到将决策作为个性化建议交付给用户。首先，技术应该在为什么以及如何收集、分析和使用用户数据方面是透明的。其次，它应该尊重用户控制其私人数据和通信的权利，以及他们不受入侵的权利。满足这些用户需求对于在AAL系统中建立信任至关重要。
    • 与医疗保健服务集成——aal系统通常作为独立的平台构建和部署，独立于机构医疗保健系统。与现有的医疗技术基础设施和数字服务相结合，可以提高医疗保健提供的效率和效力。这些好处是相互的。人工智能模型可以使用现有的用户医疗记录和程序，以改善决策。反过来，医疗参与者可以及时得知在临床环境中难以观察到的紧急情况或用户行为的变化。
    • 包容性AAL-AI模型将单个用户作为用户-系统关系来关注。不支持群体动态，例如用户-系统-医生关系或形成类似用户的对等组。未来的智能AAL系统应该平等地参与和调节多个受益人:患者、家庭、护理人员和医护人员。这对卫生保健系统也具有普遍意义。
    研究启示

    从rq的回答来看，以下研究方向出现了:

    • 可解释的决策——随着人工智能模型能力的增强，自动化行为背后缺乏解释会增加用户的不确定性，因为缺乏对具体决策是如何做出的理解[147］．模型的解释行为可以使积极的行为根深蒂固，以保持健康的生活方式[148］．因此，未来AI模型的一般要求是提供对没有AI背景或知识(即非专家)的受益人也能理解的解释。
    • 评估技术——研究提出的评估技术可以大致分为功能性(即技术)和非功能性(即医学和可用性)。他们使用现有的仪器来测量人工智能模型的算法(准确性和性能)或医疗和用户相关的结果(特定医疗条件、访谈和问卷的标准量表)。此外，他们专注于同一类别的单一措施或几个措施。为了对AAL中使用的AI模型的有效性和效率进行清晰有效的评估，我们需要提出一套更全面和连贯的跨类别评估指标，并在实践中进行验证。
    • 设计建议——从相关文章中发现设计指南取决于它们是如何描述的。在分析阶段，指南的识别和提取并不简单。设计贡献主要是根据所进行的研究提出的建议。其他形式包括有关特定模型、领域和技术的开发和部署实践。这些贡献难以应用和复制，成为吸收它们的障碍。标准的报告程序和知识库有助于解决这一问题，并为感兴趣的社区提供可采取行动的指导方针。需要几项独立的研究来实施和验证该指南。

    限制

    我们承认，作为我们搜索基础的人工智能和机器学习(ML)类和模型分类并不全面、详尽或排他。尽管还有其他分类法，但我们的目标是强调这些类和模型的底层机制，以便对它们在AAL系统中的作用提供正确的理解。

    此外，类别和相关关键字可能限制了搜索结果。因此，我们将文献中常见的同义词作为关键词，以牺牲更多不相关的文章为代价获取更多的结果。尽管如此，我们可能会错过使用其他术语或没有明确使用搜索关键字的相关材料。

    我们研究的另一个局限性是必须为包括在审查中的文章设置一个时间框架。我们选择覆盖AAL系统的早期回顾和人工智能学习算法的进展。然而，与任何日期限制一样，存在没有考虑潜在相关工作的风险。

    进一步的限制涉及检索到的文章的手动提取和分类(用于纳入)，这可能会引入编码员的主观看法。风险是通过交叉分析和讨论彼此的结果达成一致来解决的。相关地，关于流行或趋势的发现可能主要代表研究人员的兴趣，但不是所有利益相关者的观点，包括用户的观点的客观抽样。

    最后，本研究考虑了5个数字图书馆。考虑到数字图书馆关于RQs的规模、覆盖范围和多样性，我们认为所获得的结果充分响应了RQs。

    与之前工作的比较

    与相关工作相比，我们的重点是前人对相关主题和比较研究的综述和元评论，优先考虑AI模型。评论、元评论和研究的范围通常比我们的范围更有限。

    climate - perez等人提出的元综述[16]研究了基于视频的老年人AAL生活记录技术。生活日志假设记录用户日常生活的个人数据。它生成一个数据集，作为关于一个人的计算知识(也称为量化自我)，可以用于不同的目的，例如检测紧急情况和预测用户行为。目标模型为DL、域HAR和技术RGBD传感器件。这项研究阐明了这些应用的伦理意义。

    Singh等人的检讨[149]通过现有传感器技术的实现，分析了现有的跌倒检测系统。它提供了一个描述性框架来帮助为特定的部署场景和位置选择合适的传感器。技术改进的主要领域是不引人注目、安装成本和电力需求。

    Demrozi等人的调查[150]讨论了基于传感器的老年人HAR的ML和DL算法的准确性和数量(已识别活动的覆盖率)。ML模型需要更少的数据和计算资源，而DL模型可以更好地识别复杂的活动。

    痴呆症手机应用程序综述[151]显示，护理人员是主要用户，应用内容主要提供有关痴呆症的信息。这些应用程序可用性的障碍是缺乏应用程序市场的导航和痴呆症信息的质量指标。

    DL技术在智能手机和基于传感器的可穿戴HAR系统中的应用综述[152]证明了DL技术优于其他ML技术。然而，它们是在已有的数据集上进行验证的，而不是实时获得的数据。

    使用移动和可穿戴传感器网络的HAR DL算法的深入分析[146移动和可穿戴设备需要更高的计算资源，以实现基于网络的实时决策。

    对老年人辅助技术进行更全面的回顾，将技术分类为集群，如一般信息和通信技术(如计算机和互联网应用)、机器人、远程医疗、传感器技术、药物管理应用和视频游戏[17］．

    一项研究分析了辅助技术对痴呆症患者记忆支持有效性的随机对照试验[153］．测量结果包括ADL、依赖水平、临床和护理相关结果以及感知的生活质量和福祉。证据是混杂和不一致的，没有得出一般性的结论。

    另一项综述调查了中风成人的移动健康干预措施[154］．干预措施针对不同的患者功能，主要是上肢功能、功能性活动能力以及语言和演讲技能。然而，它们主要是初步的，专注于技术开发到试点测试，缺乏大规模试验的证据。

    有运动、语言和认知障碍的人使用现成的语音助手[155］．尽管与其他辅助技术相比，这些系统广泛使用，价格低廉，而且不受歧视，但参与者的表现取决于他们的认知和语言技能水平。

    HAR的不同ML算法比较研究[156]使用了现有的数据集，并指出基于传感器的技术比基于视觉的技术更受欢迎，因为它们能更好地保护用户隐私。一项类似的研究[157]研究了特定的算法，即决策树、k-最近邻、支持向量机、naïve贝叶斯、线性判别分析和集成学习，以识别特定的ADL(做饭、吃饭、家务等)。总的来说，算法在所选数据集上的表现同样出色。

    结论

    我们描述了基于系统搜索和分析的范围审查，确定了关于人工智能模型、领域、技术、受益者及其关注的研究趋势。从文献中提取的AI模型、领域、技术、受益者和关注点代表了一个知识库，在开发和部署AI注入的AAL系统时可以参考和使用。它的发现可以(1)告知最终用户、卫生保健专业人员和护理人员可用的技术及其目标医疗领域;(2)指导卫生保健提供者和工程师实施和部署这些技术;并且(3)帮助最终用户理解技术的好处和权衡。

    研究活动提高了人工智能模型在人工智能领域的认识，并揭示了该领域的差距。在使AAL系统更加高效、有效和用户友好方面还需要进一步的工作。特别是，混合医生模式的决策、技术设计中照顾者的纳入以及遵守与健康相关的法规将导致社会接受人工智能。此外，提高透明度和隐私性、与遗留系统的集成以及平等纳入不同受益人将提高AAL系统的接受度和可用性。最后，解释自动化决策、采用标准评估指标和验证设计指南的努力将识别不同的AAL方法，以确保它们在数字医疗保健中得到应用。

    致谢

    本出版物基于COST Action GoodBrother-Network关于基于隐私的音频和视频应用的积极和辅助生活(CA19121)的工作，由COST(欧洲科学技术合作)支持。

    利益冲突

    没有宣布。

    ‎
    多媒体附件1

    从5个数码图书馆检索的相关文章列表。

    XLSX文件(Microsoft Excel文件)，120kb
    1. 孙浩，陈志伟，陈志伟。环境辅助生活系统的前景与挑战。见:第六届信息技术国际会议论文集:新一代。2009年发表于:ITNG '09;2009年4月27-29日;美国内华达州拉斯维加斯，第1201-1207页。［CrossRef］
    2. Buyl R, Beogo I, Fobelets M, Deletroz C, Van Landuyt P, Dequanter S，等。健康老龄化的电子健康干预:系统综述。Syst Rev 2020 Jun 03;9(1):128 [免费全文] [CrossRef] [Medline］
    3. Taylor J, Walsh S, Kwok W, Pinheiro MB, de Oliveira JS, Hassett L，等。老年人身体活动干预的范围综述。2021年6月30日;18(1):82 [免费全文] [CrossRef] [Medline］
    4. Rashidi P, Mihailidis A.老年人环境辅助生活工具的调查。IEEE生物医学健康杂志2013年5月;17(3):579-590。［CrossRef] [Medline］
    5. 人口结构和老龄化。欧盟统计局。URL:https://ec.europa.eu/eurostat/statistics-explained/index.php?title=Population _structure_and_ageing[2022-08-15]访问
    6. 老龄化与健康。世界卫生组织，2022。URL:https://www.who.int/news-room/fact-sheets/detail/ageing-and健康[2022-08-15]访问
    7. Pal D, Funilkul S, Charoenkitkarn N, Kanthamanon P.物联网和老年人医疗保健智能家居:终端用户的视角。IEEE Access 2018 Feb 22;6:10483-10496。［CrossRef］
    8. Calvaresi D, Cesarini D, Sernani P, Marinoni M, Dragoni AF, Sturm a .探索环境辅助生活领域:系统综述。《计算机科学》2016年5月4日，第1期，第2期。［CrossRef］
    9. 通过以人口为基础的干预措施促进健康和预防疾病，包括采取行动解决社会决定因素和健康不平等问题。世界卫生组织。URL:http://www.emro.who.int/about-who/public-health-函数/ health-promotion-disease-prevention.html[2022-08-15]访问
    10. Garcés L, Ampatzoglou A, Avgeriou P，中川EY。环境辅助生活软件系统的质量属性和质量模型:系统映射。中科科技2017年2月;82:121-138。［CrossRef］
    11. jovanoviic M, De Angeli A, McNeill A, Coventry L.老年人包容性技术的用户需求。Int J Human Comput interaction 2021年5月12日;37(20):1947-1965。［CrossRef］
    12. 欧佛曼·范·希克J，齐夫尔·m，其他的都不重要!AAL技术使用的好处和障碍之间的权衡。前线公共卫生2019年6月12日;7:34 [免费全文] [CrossRef] [Medline］
    13. Whelan S, Murphy K, Barrett E, Krusche C, Santorelli A, Casey D.影响老年人(包括痴呆症或认知障碍患者)接受社交机器人的因素:文献综述。智能机器人学报2018年3月1日;10(5):643-668。［CrossRef］
    14. Skjæret N, Nawaz A, Morat T, Schoene D, Helbostad JL, Vereijken B.老年人通过运动游戏进行锻炼和康复:技术、安全性和有效性的综合综述。国际医学杂志2016年1月;85(1):1-16。［CrossRef] [Medline］
    15. Ferrari F, Divan S, Guerrero C, Zenatti F, Guidolin R, Palopoli L，等。老年人智能步行者的人机交互分析:ACANTO交互引导系统。智能机器人学报2019年6月25日;12(2):479-492。［CrossRef］
    16. Climent-Pérez P, Spinsante S, Mihailidis A, Florez-Revuelta F.基于视频的主动和辅助生活技术的自动化生活记录。专家系统应用2020年1月;139:112847。［CrossRef］
    17. Khosravi P, Ghapanchi AH。调查技术的有效性，以协助老年人:一个系统的文献综述。国际医学杂志2016年1月;85(1):17-26。［CrossRef] [Medline］
    18. 丹尼尔森A, Olofsen H, Bremdal BA。使用可穿戴设备提高跌倒风险意识:跌倒风险意识协议。J Biomed Inform 2016 10月;63:184-194 [免费全文] [CrossRef] [Medline］
    19. McGlynn SA, Kemple S, Mitzner TL, King CH, Rogers WA。了解PARO对健康老年人的潜力。Int J Hum Comput Stud 2017 Apr;100:33-47 [免费全文] [CrossRef] [Medline］
    20. Orlandini A, Kristoffersson A, Almquist L, Björkman P, Cesta A, Cortellessa G，等。ExCITE项目:回顾了42个月来机器人远程呈现技术的发展。存在(Camb) 2016年12月1日;25(3):204-221。［CrossRef］
    21. 阮凯，朱明。机器人在居家养老中的参与与可接受性。应用计算机学报，2017;33(6):510-522。［CrossRef］
    22. 孙飞，郭文杰，张志刚。老年人的身体活动:一项系统综述。BMC公共卫生2013年5月06日;13:449 [免费全文] [CrossRef] [Medline］
    23. Szanton SL, Walker RK, Roberts L, Thorpe Jr RJ, Wolff J, Agree E，等。NHATS研究发现，老年人最喜欢的活动是非常活跃的。老年护理杂志2015;36(2):131-135 [免费全文] [CrossRef] [Medline］
    24. Daly RM, Gianoudis J, Hall T, Mundell NL, Maddison R.在社区居住的老年人中，通过锻炼应用程序提供的家庭锻炼计划的可行性、可用性和乐趣:短期前瞻性试点研究。JMIR Mhealth Uhealth 2021年1月13日;9(1):e21094 [免费全文] [CrossRef] [Medline］
    25. Cohen-Mansfield J, Muff A, Meschiany G, Lev-Ari S.在COVID-19大流行期间，网络活动作为老年人亲自活动的适当性:调查研究J Med Internet Res 2021 1月22日;23(1):e25848 [免费全文] [CrossRef] [Medline］
    26. 马志强，李志强，李志强，李志强，等。老年人福祉的虚拟教练:系统回顾。IEEE Access 2020 5月21日;8:101884-101902。［CrossRef］
    27. Zdravevski E, Lameski P, Trajkovik V, Kulakov A, Chorbev I, Goleva R，等。通过自动化特征工程提高环境辅助生活系统中的活动识别精度。IEEE Access 2017 3月21日;5:5262-5280。［CrossRef］
    28. Loncar-Turukalo T, Zdravevski E, Machado da Silva J, Chouvarda I, Trajkovik V.互联健康的可穿戴技术文献:研究趋势、进展和障碍的范围综述。J Med Internet Res 2019 Sep 05;21(9):e14017 [免费全文] [CrossRef] [Medline］
    29. Cosco TD, Firth J, Vahia I, Sixsmith A, Torous J.动员老年人移动健康数据收集:挑战和机遇。JMIR老龄2019 3月19日;2(1):e10019 [免费全文] [CrossRef] [Medline］
    30. Matthew-Maich N, Harris L, Ploeg J, Markle-Reid M, Valaitis R, Ibrahim S，等。设计、实施和评估用于管理老年人慢性疾病的移动卫生技术:范围综述JMIR Mhealth Uhealth 2016 Jun 09;4(2):e29 [免费全文] [CrossRef] [Medline］
    31. Nurgalieva L, Jara Laconich JJ, Baez M, Casati F, Marchese M.老年人触摸屏设计指南的系统文献综述。IEEE Access 2019 Feb 12;7:22035-22058。［CrossRef］
    32. Brownlee J. Master机器学习算法:发现它们如何工作并从头开始实现它们。旧金山，加州，美国:精通机器学习;2016.
    33. Bonaccorso G.机器学习算法:数据科学和机器学习的流行算法。第2版。拉维涅，TN，美国:英格拉姆学院;2017.
    34. Otter DW, Medina JR, Kalita JK。深度学习在自然语言处理中的应用综述。IEEE神经网络学习系统2021年2月;32(2):604-624。［CrossRef] [Medline］
    35. Moher D, Liberati A, Tetzlaff J, Altman DG, PRISMA Group。系统评价和元分析的首选报告项目:PRISMA声明。PLoS Med 2009 7月21日;6(7):e1000097 [免费全文] [CrossRef] [Medline］
    36. Zdravevski E, Lameski P, Trajkovik V, Chorbev I, Goleva R, Pombo N，等。NLP工具包系统、范围和快速审查中的自动化:增强生活环境中的案例研究。In: Ganchev I, Garcia NM, Dobre C, Mavromoustakis CX, Goleva R，编辑。增强的生活环境:算法、架构、平台和系统。瑞士占姆:施普林格;2019:1-18。
    37. 李志强，李志强，李志强，等。一种基于神经网络的运动识别模型。在:2013年欧洲建模研讨会论文集。2013年发表于:EMS '13;2013年11月20-22日;英国曼彻斯特，第42-47页。［CrossRef］
    38. Appiah K, Hunter A, Lotfi A, Waltham C, Dickinson P.环境辅助生活的自组织地图的人类行为分析。2014年IEEE模糊系统国际会议论文集。2014年发表于:Fuzzy -IEEE '14;2014年7月6日至11日;中国北京，p. 2430-2437。［CrossRef］
    39. 贾亚thri, Easwarakumar KS, Elias S.基于本体的智能家居活动识别的上下文模式聚类。见:第二届智能安全系统国际会议论文集-物联网和分析视角。2018年发表于:ICIIT '17;2017年12月20-22日;印度金奈，第209-223页。［CrossRef］
    40. 张旭，钟福林，王胜。基于可解释模糊dbn的环境辅助生活室内用户运动预测。电子学报。2020年1月16日(1):42-53。［CrossRef］
    41. Paolanti M, Romeo L, Liciotti D, Cenci A, Frontoni E, Zingaretti P.通过多个最近邻居分类器和邻居组件特征选择，在俯视图配置下使用RGB-D摄像机进行人员再识别。传感器(巴塞尔)2018年10月15日;18(10):3471 [免费全文] [CrossRef] [Medline］
    42. Akbari A, Jafari R.通过使用可穿戴传感器量化不同类型的不确定性来个性化活动识别模型。IEEE生物医学工程学报2020年9月;67(9):2530-2541。［CrossRef] [Medline］
    43. Ferrández-Pastor FJ，莫拉-莫拉H, Sánchez-Romero JL，涅托-伊达尔戈M, García-Chamizo JM。使用可重构硬件和隐马尔可夫模型从用电数据解释人类活动。《环境智能人类计算》2016年11月22日;8(4):469-483。［CrossRef］
    44. 胡晓明，王晓明，王晓明。基于神经网络的人体活动识别方法研究。在:通过竞争基准评估AAL系统的国际比赛和最终研讨会论文集。2013年发表于:evalal '13;2013年9月24-26日;Norrköping，瑞典，第48-59页。［CrossRef］
    45. Abdel-Basset M, Hawash H, Chang V, Chakrabortty RK, Ryan M.复杂物联网应用中异构人类活动识别的深度学习。IEEE物联网学报2022年4月15日;9(8):5653-5665。［CrossRef］
    46. Amine Elforaici ME, Chaaraoui I, Bouachir W, Ouakrim Y, Mezghani N.使用RGB-D相机的姿势识别:探索3D身体建模和深度学习方法。在:2018年IEEE生命科学会议论文集。2018年发表于:LSC '18;2018年10月28日至30日;加拿大蒙特利尔，第69-72页。［CrossRef］
    47. 施罗德J, Wabnik S, van Hengel PW, Goetze S.声学事件的检测和分类在家庭护理。入职:维切特R，埃伯哈特B，编辑。环境辅助生活。德国柏林:施普林格;2011:181 - 195。
    48. 关强，尹旭，郭旭，王刚。一种基于运动压缩分类的红外运动感知系统。IEEE传感器学报2016年4月;16(8):2251-2259。［CrossRef］
    49. Giannakeris P, Meditskos G, Avgerinakis K, Vrochidis S, Kompatsiaris I.基于三维关节运动和fisher编码的日常动作实时识别。在:第26届多媒体建模国际会议论文集。2020年发表于:MMM '20;2020年1月5日至8日;韩国大田，第601-613页。［CrossRef］
    50. 吴超，张军，吴超，张建军，张建军。基于无监督学习的行为与关系研究。IEEE Trans Pattern Anal Mach Intell 2018年2月;40(2):467-481。［CrossRef] [Medline］
    51. Tariq M, Majeed H, Beg MO, Khan FA, Derhab a .安全物联网辅助生活环境中坐姿活动的准确检测。未来代计算系统2019年3月92:745-757。［CrossRef］
    52. Rahman S, Irfan M, Raza M, Moyeezullah Ghori K, Yaqoob S, Awais M.增强分类器在日常生活活动识别中的性能分析。国际环境与公共卫生杂志2020年2月08日;17(3):1082 [免费全文] [CrossRef] [Medline］
    53. Zia S, Khan AN, Zaidi KS, Ali SE。智能手机加速度计在无约束环境下检测全身性强直性阵挛发作和跌倒。IEEE Access 2021 3月4日;9:39432-39443。［CrossRef］
    54. 李志强，李志强，李志强，等。踝部辅助和倾斜负重行走能量消耗的快速估算。J Neuroeng Rehabil 2019 Jun 06;16(1):67 [免费全文] [CrossRef] [Medline］
    55. 张晓东，李志强，张志强，等。基于神经网络的手抓运动学重构方法。传感器(巴塞尔)2022年7月18日;22(14):5349 [免费全文] [CrossRef] [Medline］
    56. Alinia P, Cain C, Fallahzadeh R, Shahrokni A, Cook D, Ghasemzadeh H.你的活动追踪器有多准确?低强度体育活动中步数的比较研究。JMIR Mhealth Uhealth 2017 Aug 11;5(8):e106 [免费全文] [CrossRef] [Medline］
    57. Muaaz M, Chelli A, Abdelgawwad AA, Mallofre AC, Patzold M. WiWeHAR:基于Wi-Fi和可穿戴传感方式的多模态人体活动识别。IEEE Access 2020年9月7日:164453-164470。［CrossRef］
    58. 胡娟，王志强，王志强，等。环境辅助生活中基于惯性传感器的活动识别。见:第19届信息融合国际会议论文集。2016年发表于:Fusion '16;2016年7月5-8日;德国海德堡，页371-378。
    59. 胡晓明，张晓明，张晓明。基于隐马尔可夫模型的人工智能步行机器人激光测距研究。2015年IEEE/RSJ智能机器人与系统国际会议论文集，2015年IROS '15;2015年9月28日至10月2日;德国汉堡，第6342-6347页。［CrossRef］
    60. Mukhiddinov M, Cho J.为盲人和视障人士使用深度学习的智能玻璃系统。电子2021年11月11日;10(22):2756。［CrossRef］
    61. Seifert AK, Amin MG, Zoubir AM。基于雷达微多普勒特征的不显眼的家庭步态分析。IEEE生物工程学报2019年9月;66(9):2629-2640。［CrossRef] [Medline］
    62. Chalvatzaki GG, Pavlakos G, Maninis K, Papageorgiou XS, Pitsikalis V, Tzafestas CS，等。基于多模态感知数据的智能助行机器人。第四届无线移动通信与医疗保健国际会议论文集——通过移动和无线技术的创新来改变医疗保健，2014年发表于:MOBIHEALTH '14;2014年11月3日至5日;希腊雅典，第156-159页。［CrossRef］
    63. Ligons FM, Mello-Thoms C, Handler SM, Romagnoli KM, Hochheiser H.在辅助生活人群中评估认知障碍对电子药物传递装置可用性的影响。Int J Med Inform 2014 11月;83(11):841-848 [免费全文] [CrossRef] [Medline］
    64. 邱吉尔R，劳伦斯D，理查兹M.先进的数据捕获在辅助医疗之家:分布式和多媒体技术的模型。中华医学杂志2010 Aug;34(4):685-693。［CrossRef] [Medline］
    65. Knight A, Fouyaxis J, Jarrad G, Beski K, Cho G, Bidargaddi N.利用数字足迹来阐明和促进老化的系统。种马健康技术通报2018;246:91-101。［Medline］
    66. Serbedzija N.适应性辅助:智能家庭护理。见:第二届无线移动通信与医疗保健国际会议论文集，2012年发表于:MOBIHEALTH '11;2011年10月5日至7日;希腊科斯岛，页240-247。［CrossRef］
    67. 张志刚，张志刚，张志刚。近程雷达探测人体生命体征的信号处理技术。见:第28届信号处理和通信应用会议记录，2020年发表于:SIU '20;2020年10月5日至7日;土耳其加济安泰普第1-4页。［CrossRef］
    68. Siriwardhana C, Madhuranga D, Madushan R, Gunasekera K.基于深度序列和音频的日常生活活动分类。见:第十四届工业与信息系统会议论文集，2019年发表于:ICIIS '19;2019年12月18日至20日;斯里兰卡，康提，第278-283页。［CrossRef］
    69. 郭志强，李志强，李志强。基于深度学习和机器学习模型的辅助机器人手势识别研究。传感器(巴塞尔)2022年5月11日;22(10):3650 [免费全文] [CrossRef] [Medline］
    70. Saeed U, Shah SY, Shah SA, Ahmad J, Alotaibi AA, Althobaiti T，等。通过结合FMCW雷达的异构环境数据进行独立辅助生活的离散人类活动识别和跌倒检测。电子2021年9月12日;10(18):2237。［CrossRef］
    71. Ejupi A, Galang C, Aziz O, Park EJ, Robinovitch S.使用加速度计和气压传感器的基于小波的跌倒检测方法的准确性。在:第39届IEEE医学与生物工程国际年会论文集。2017年发表于:EMBC '17;2017年7月11-15日;济州岛，韩国p. 2150-2153。［CrossRef］
    72. Forkan AR, Khalil I.在基于家庭的监测中使用生命体征相关性早期预测异常临床事件的概率模型。2016年IEEE普适计算与通信国际会议论文集，2016年PerCom '16;2016年3月14日至19日;澳大利亚悉尼，第1-9页。［CrossRef］
    73. 冯杰，张文文，陈玲，阿尔茨海默病神经影像学研究(ADNI)。基于结构MRI图像小波变换能量特征和神经网络分类器的阿尔茨海默病识别。Artif Intell Med 2020年8月;108:101940。［CrossRef] [Medline］
    74. Tsirmpas C, Anastasiou A, Bountris P, Koutsouris D.物联网环境中轮廓生成的新方法:环境辅助生活中的应用。IEEE物联网学报2015年12月;2(6):471-478。［CrossRef］
    75. 李志强，李志强，李志强。一种基于情境感知的异常行为检测方法。见:2020年神经网络国际联合会议论文集，2020年发表于:IJCNN '20;2020年7月19日至24日;格拉斯哥，英国，第1-8页。［CrossRef］
    76. Patel AD, Shah JH。有监督机器学习算法在辅助生活环境中识别人类活动的性能分析。见:IEEE第16届印度理事会国际会议记录，2019年发表于:INDICON '19;2019年12月13日至15日;印度拉杰科特，第1-4页。［CrossRef］
    77. Hervás R, Garcia-Lillo A, Bravo J.基于语义网的移动增强现实应用于环境辅助生活。见:第三届环境辅助生活国际研讨会论文集。2011年发表于:IWAAL '11;2011年6月8日至10日;Torremolinos-Málaga，西班牙，第17-24页。［CrossRef］
    78. 李文杰，李志强，李志强。智能环境辅助生活解决方案的统计模型检验。第八届利用形式化方法、验证和验证应用国际研讨会论文集，2018年发表于:ISoLA '18;2018年11月5日至9日;塞浦路斯利马索尔，第457-476页。［CrossRef］
    79. Mayer C, Morandell M, Gira M, Hackbarth K, Petzold M, Fagel S. AALuis，一个用户界面层，为AAL系统的用户带来设备独立性。见:第13届计算机帮助特殊需要的人国际会议论文集，2012年发表于:ICCHP '12;2012年7月11-13日;林茨，奥地利，650-657页。［CrossRef］
    80. García-Magariño I.在使用INGENIAS开发辅助生活多代理系统中定义和转换帕金森患者模型。在:代理和多代理系统实际应用亮点国际研讨会论文集。2013年发表于:PAAMS '13;2013年5月22-24日;西班牙萨拉曼卡，页460-471。［CrossRef］
    81. 李志强，李志强，李志强。基于智能家居的环境辅助生活系统语义模型。电子2022年4月05日;11(7):1143。［CrossRef］
    82. Gavril AF, Trascau M, Mocanu I.环境辅助生活的多模式接口。在:第21届控制系统与计算机科学国际会议论文集。2017年发表于:CSCS '17;2017年5月29-31日;罗马尼亚布加勒斯特，第223-230页。［CrossRef］
    83. 王晓明，王晓明，王晓明。老年语音语音识别的研究进展。见:第七届语音技术与人机对话会议论文集。2013年发表于:SpeD '13;2013年10月16日至19日;克卢日-纳波卡，罗马尼亚p. 1-8。［CrossRef］
    84. Fuentes-Fernández R, Gómez-Sanz JJ。通过模式存储库开发环境辅助生活的模拟。见:2017年联邦计算机科学与信息系统会议记录。2017年9月3日至6日;捷克共和国布拉格，第299-305页。［CrossRef］
    85. 庞东，高勇，廖玲，应欣。健康成人强烈虚空欲望引起的脑功能网络改变:图论分析研究。neuroourol Urodyn 2020年9月39日(7):1966-1976。［CrossRef] [Medline］
    86. 张晓峰，张晓峰，张晓峰，等。基于马尔可夫决策过程的老年痴呆患者活动支持框架。见:2015年智能环境国际会议论文集。2015年发表于:IE '15;2015年7月15-17日;捷克共和国布拉格，第25-32页。［CrossRef］
    87. Bahram M, Hossein-Zadeh GA。功能分块影响静息态功能磁共振图分析中的网络度量。见:第21届伊朗生物医学工程会议记录，2014年发表于:ICBME '14;2014年11月26-28日;伊朗德黑兰，第263-268页。［CrossRef］
    88. 史娟，刘波。基于Hilbert Huang变换分类框架的轻度认知障碍fMRI分期检测。医学物理2020年7月;47(7):2902-2915。［CrossRef] [Medline］
    89. Ortiz A, Munilla J, Górriz JM, Ramírez J.阿尔茨海默病早期诊断的深度学习体系集成。国际神经系统杂志2016年12月;26(7):1650025。［CrossRef] [Medline］
    90. 谢涛，孙俊杰，梁顺峰。基于静息态fMRI脑网络复杂性分析的精神分裂症诊断。见:第15届生物医学工程国际会议论文集，2014年，ICBME '13;2013年12月4-7日;新加坡，新加坡页203-206。［CrossRef］
    91. 刘娟，李敏，兰伟，吴晓霞，潘勇，王杰。基于全脑层次网络的阿尔茨海默病分类。IEEE/ACM计算机计算生物信息2018;15(2):624-632。［CrossRef] [Medline］
    92. Osório E, Ferreira L, Abreu R, Sousa F.环境辅助生活的互操作性使用OpenEHR。载于:IEEE第15届电子医疗网络、应用和服务国际会议论文集，2013年发表于:Healthcom '13;2013年10月9日至12日;葡萄牙里斯本，第394-398页。［CrossRef］
    93. 何红，谭勇，黄娟。基于小波包变换和半余弦模糊聚类的智能手机活动信号无监督分类。2017年IEEE模糊系统国际会议论文集。2017年发表于:Fuzzy -IEEE '17;2017年7月9日至12日;意大利那不勒斯，第1-6页。［CrossRef］
    94. Mowafey S, Gardner S.迈向辅助生活中的环境智能:智能家庭护理的创建。载于:2013年科学与信息会议论文集。2013年发表于:SAI '13;2013年10月7日至9日;英国伦敦，第51-60页。
    95. 张晓东，李志刚，张晓东，张晓东。基于环境传感器的家庭环境活动识别方法研究。见:2019 IEEE国际消费电子产品会议论文集-台湾。2019年5月20-22日;台湾宜兰p. 1-2。［CrossRef］
    96. 吕亚鹏，秦勇，陈霞，李伟。WTC方法探讨AD患者脑网络的改变。IEEE Intell系统(即将发布)2014年7月11:1-1。［CrossRef］
    97. Merkle N, Zander S.通过强化学习和语义技术在环境辅助生活中的基于代理的辅助。在:移动到有意义的互联网系统的联合会国际会议的会议记录。2017年发表于:OTM '17;2017年10月23-27日;罗德，希腊，页180-188。［CrossRef］
    98. 李文杰，李志强，李志强，等。促进辅助技术跨学科发展的原则。残障康复辅助技术2017七月;12(5):480-490。［CrossRef] [Medline］
    99. 刘志刚，刘志刚，刘志刚，刘志刚。电子鼻环境监测技术在环境辅助生活中的应用。2016年IEEE系统工程国际研讨会论文集，2016年发表于:ISSE '16;2016年10月3-5日;爱丁堡，英国，第1-4页。［CrossRef］
    100. 刘山，曾志，张永德，樊涛，单涛，陶锐。基于分数傅里叶域的辅助生活跌倒自动检测。2016年IEEE声学、语音和信号处理国际会议论文集，ICASSP '16;2016年3月20-25日;中国上海，p. 799-803。［CrossRef］
    101. Kazeminejad A, Golbabaei S, Soltanian-Zadeh H.使用rs-fMRI诊断帕金森病的图形理论指标和机器学习。见:2017人工智能与信号处理会议记录，2017年AISP '17;2017年10月25-27日;伊朗设拉子，第134-139页。［CrossRef］
    102. Espinilla M，刘杰，García-Chamizo JM。“普适计算的最新进展”特刊。中国计算机工程学报，2017年3月22日;8(4):467-468。［CrossRef］
    103. Figueroa A, Peralta B, Nicolis O.掌握不平衡多模态社区问答数据的年龄预测。信息2021年1月21日;12(2):48。［CrossRef］
    104. 李志强，李志强。共享控制机器人的主动意图消歧。IEEE Trans Neural Syst Rehabil Eng 2020 Jun;28(6):1497-1506。［CrossRef] [Medline］
    105. Gibellini F, Higler S, Lucas J, Luli M, Stallmann M, Dotti D，等。通过简单的日常活动来接近个性线索。见:第20届智能视觉系统先进概念国际会议论文集。2020年发表于:ACIVS '20;2020年2月10日至14日;新西兰奥克兰，第192-204页。［CrossRef］
    106. Muaaz M, Chelli A, Pätzold M. WiHAR:从Wi-Fi通道状态信息到不显眼的人类活动识别。见:IEEE第91届车辆技术会议记录。2020年发表于:VTC '20;2020年5月25-28日;比利时安特卫普，p. 1-7。［CrossRef］
    107. da Silva Lisboa Tigre MF, Santos GL, Lynn T, Sadok D, Kelner J, Endo PT.与边缘、雾和云基础设施集成的电子卫生系统的可用性建模。载于:2018年IEEE计算机与通信研讨会论文集，2018年发表于:ISCC '18;2018年6月25日至28日;巴西纳塔尔，p. 416-421。［CrossRef］
    108. Farràs-Permanyer L, Mancho-Fora N, Montalà-Flaquer M, Gudayol-Ferré E, Gallardo-Moreno GB, Zarabozo-Hurtado D，等。轻度认知障碍患者脑功能连通性的评估。脑科学2019 12月30日;9(12):350 [免费全文] [CrossRef] [Medline］
    109. 郭海生，宋福生，李少生，管文涛，王俊峰。智能家居环境辅助生活中基于听觉的稳健语音识别系统。见:2014年橙色技术国际会议论文集。2014年发表于:ICOT '14;2014年9月20-23日;中国西安，p. 169-172。［CrossRef］
    110. 肖敏，葛华，Khundrakpam BS，徐杰，Bezgin G，冷云，等。注意网络测试测量的注意性能与结构脑网络的整体效率和区域效率相关。前沿行为神经科学2016年10月10日;10:194 [免费全文] [CrossRef] [Medline］
    111. 金勇，安杰，李敏，李勇。一种多用户智能空间中下一个活动预测的活动嵌入方法。见:2017 IEEE智能计算国际会议论文集。2017年5月29-31日;中国香港，p. 1-6。［CrossRef］
    112. 瓦伦蒂AP，奇塔-泰格马克M，蒂克尔-德格宁L，博克AW，舒茨MJ。使用主题建模来推断帕金森病患者的情绪状态。辅助技术2021年5月04日;33(3):136-145 [免费全文] [CrossRef] [Medline］
    113. 王强，王旭。第11届IEEE年度普适计算、电子与移动通信会议论文集。2020年发表于:UEMCON '20;2020年10月28日至31日;美国纽约州纽约，第558-561页。［CrossRef］
    114. Marini M, Viganò M, Corbo M, Zettin M, Simoncini G, Fattori B，等。IDEA:一个意大利运动障碍语音数据库。见:2021年IEEE口语技术研讨会论文集。2021年1月19日至22日;中国深圳，p. 1086-1093。［CrossRef］
    115. Pavão SL，利马CR，罗查NA。大肌肉运动功能分类系统ⅰ- ii级脑瘫患儿感觉加工与活动表现的相关性中国物理学报(英文版);2011;25(2):194-202 [免费全文] [CrossRef] [Medline］
    116. Tyagi A, Patel A, Shah P.用于人类动作识别的骨骼序列文本分类。第五届亚洲模式识别会议论文集，2019年发表于:ACPR '19;2019年11月26日至29日;新西兰奥克兰，第335-350页。［CrossRef］
    117. Ehrenmüller I, Hasenauer R, Belviso C.老年人护理的社会辅助机器人:三重底线和数字化背景下的新效率。在:2019年波特兰国际工程与技术管理会议论文集。2019年发表于:PICMET '19;2019年8月25日至29日;美国俄勒冈州波特兰，第1-14页。［CrossRef］
    118. 张晓明，张晓明，张晓明，等。基于fMRI的阿尔茨海默病自动分类方法研究。见:第21届伊朗生物医学工程会议记录，2014年发表于:ICBME '14;2014年11月26-28日;伊朗德黑兰，第252-257页。［CrossRef］
    119. 戴瑞斯，汤普生。动员老年人:利用智能家居技术的潜力。IMIA工作组在智能家居和环境辅助生活方面的贡献。2012;7:94-99。［Medline］
    120. 张晓东，张晓东，张晓东，等。基于卷积神经网络的场景检测。见:第二届IET积极和辅助生活技术国际会议论文集，2016年发表于:TechAAL '16;2016年10月24-25日;英国伦敦，第1-6页。［CrossRef］
    121. 朱超，盛伟。基于运动和位置数据融合的实时人体日常活动识别。载于:2010年IEEE信息与自动化国际会议论文集。2010年ICINFA '10;2010年6月20-23日;中国哈尔滨，p. 846-851。［CrossRef］
    122. 陆俊，郭松，陈明，王伟，杨华，郭东，等。从BOLD信号中生成无音阶脑音乐。医学(巴尔的摩)2018年1月;97(2):e9628 [免费全文] [CrossRef] [Medline］
    123. 马晓明，王晓明，王晓明。基于头部手势的机器人辅助操作学习研究。IEEE Int Conf Rehabil Robot 2019 Jun;2019:1139-1146。［CrossRef] [Medline］
    124. 李宁，马立文，刘建军。识别人类活动的视觉体验。在:通过竞争基准评估AAL系统的国际竞赛和最终研讨会论文集，2012年发表于:evalal '12;2012年9月24日;埃因霍温，荷兰，173-185页。［CrossRef］
    125. Alnaeb A, Abdullah RS, Salah AA, Sali A, Rashid NE, Pasya I.基于前向散射雷达的人类日常活动坠落事件实时检测和分类。在:第20届国际雷达研讨会论文集，2019年发表于:IRS '19;2019年6月26日至28日;乌尔姆，德国，第1-10页。［CrossRef］
    126. 阿尔哈尔比F，瓦尔比亚L，沃德JA。人类活动识别中处理不平衡数据的抽样策略比较。传感器(巴塞尔)2022年3月11日;22(4):1373 [免费全文] [CrossRef] [Medline］
    127. Eldib M, Philips W, Aghajan H.从智能家居的二进制数据中发现人类活动。传感器(巴塞尔)2020年5月29日;20(9):2513 [免费全文] [CrossRef] [Medline］
    128. Costa N, Domingues P, Fdez-Riverola F, Pereira A.移动虚拟管家弥合用户和环境辅助生活之间的差距:智能家居案例研究。传感器(巴塞尔)2014 Aug 06;14(8):14302-14329 [免费全文] [CrossRef] [Medline］
    129. 张志强，张志强。基于数据挖掘技术的精神分裂症诊断生物标志物的研究。2014年IEEE计算智能与计算研究国际会议论文集，ICCIC '14;2014年12月18日至20日;印度哥印拜陀，第1-8页。［CrossRef］
    130. 张c，格鲁弗瓦。行为模式识别的分布式代理系统。载于:2010年机器学习与控制论国际会议论文集。2010年发表于:ICMLC '10;2010年7月11日至14日;中国青岛，第204-209页。［CrossRef］
    131. 李奕婷，赵志刚，张丽玲，桑迪亚。一种残障人士自力更生的辅助工具。在:第三届国际控制与机器人工程会议论文集，2018年发表于:ICCRE '18;2018年4月20-23日;名古屋，日本，第26-30页。［CrossRef］
    132. 吴晓明，王晓明，王晓明，王晓明，等。交互器件中传声器方向和距离对BSS质量的影响。在:第二届IET智能信号处理国际会议论文集。2015年发表于:ISP '15;2015年12月1-2日;英国伦敦，第1-6页。［CrossRef］
    133. 皮索塔I, Perruchoud D, Ionta S.手的进展在生物医学工程和感觉运动恢复。神经科学杂志2015年5月15日;246:22-29。［CrossRef] [Medline］
    134. 梁坤，梁超，苗超，陈永春。从用电数据检测独居者活动模式的异常。在:2016年IEEE进化计算大会论文集。2016年提交于:CEC '16;2016年7月24-29日;加拿大温哥华，约1361-1369年。［CrossRef］
    135. Freeman C, Exell T, Meadmore K, Hallewell E, Hughes AM。功能性到达任务中上肢运动的计算模型应用于基于fes的中风康复。生物医学技术(Berl) 2015 july;60(3):179-191 [免费全文] [CrossRef] [Medline］
    136. 李志强，李志强，李志强。基于fMRI信号的复杂问题认知子任务解码。见:第26届信号处理与通信应用会议论文集。2018年发表于:SIU '18;2018年5月2-5日;伊兹密尔，土耳其p. 1-4。［CrossRef］
    137. 张志强，杨广志，罗斌。仿人机器人动态行走的BSN模拟。IEEE生物医学健康杂志2015年5月;19(3):794-802。［CrossRef] [Medline］
    138. 岳林，龚霞，李娟，季华，李明，南迪阿克。阿尔茨海默病早期诊断的分层特征提取。IEEE Access 2019 7月3日;7:93752-93760。［CrossRef］
    139. Kabary IA, Büchler M, Schuldt H. TOUCHify:将笔式触摸屏功能引入平板显示屏。载于:2013年信息社会国际会议论文集。2013年发表于:i-Society '13;2013年6月24-26日;加拿大多伦多，第111-116页。
    140. 蒋斌，徐飞，黄勇，杨超，黄伟，夏杰。新事物检测的自适应对抗潜空间。IEEE Access 2020年11月11日;8:205088-205098。［CrossRef］
    141. Anastou AC, Delibasis KK, Boulogeorgos AA, Sandalidis HG, Vavoulas A, Tasoulis SK.低复杂度的室内可见光定位方法。IEEE Access 2021年4月9日;［CrossRef］
    142. 平冈A，村上t。考虑运动速度的站立辅助控制方法。见:IEEE工业电子学会IECON第46届年会论文集，2020年发表于:IECON '20;2020年10月18日至21日;新加坡，第71-76页。［CrossRef］
    143. Ghadi YY, Waheed M, Gochoo M, Alsuhibany SA, Chelloug SA, Jalal A，等。一种基于图形的方法来识别序列数据中复杂的人类对象交互。应用科学2022年5月20日;12(10):5196。［CrossRef］
    144. Zsiga K, Tóth A, Pilissy T, Péter O, Dénes Z, Fazekas G.基于家中单身老年人现场测试的同伴机器人评估。辅助技术2018;30(5):259-266。［CrossRef] [Medline］
    145. Clapés A, Pardo À， Pujol Vila O, Escalera .动作检测融合多种kinect和WIMU:老年人家庭辅助技术的应用。Mach Vision应用2018年5月3日;29(5):765-788。［CrossRef］
    146. Nweke HF, Teh YW, Al-garadi MA, Alo UR。使用移动和可穿戴传感器网络进行人类活动识别的深度学习算法:技术现状和研究挑战。专家系统应用2018年9月;105:233-261 [免费全文] [CrossRef］
    147. 可解释人工智能的可解释性概念和评估方法。核聚变2021年12月;76:89-106。［CrossRef］
    148. Dragoni M, Donadello I, Eccher C.可解释的人工智能满足说服力:将推理结果转化为行为改变的建议。Artif Intell Med 2020年5月;105:101840。［CrossRef] [Medline］
    149. 苏拉曼，孙永昌，孙永昌。基于传感器的跌倒检测系统研究进展。IEEE传感器学报2020年7月1日;20(13):6889-6919。［CrossRef］
    150. 李文杰，李志强，李志强。基于惯性、生理和环境传感器的人体活动识别研究。IEEE Access 2020;8:210816-210836 [免费全文] [CrossRef] [Medline］
    151. 谢尔柏，李志强，李志强，李志强。痴呆症意识、支持和预防的移动应用程序-审查和评估。残疾人康复2022年8月;44(17):4909-4920。［CrossRef] [Medline］
    152. Ramanujam E, Perumal T, Padmavathi S.使用深度学习技术的智能手机和可穿戴传感器的人体活动识别:综述。IEEE传感器学报2021年6月15日;21(12):13029-13040。［CrossRef］
    153. 范德罗斯特HG，温伯恩J, Pastink C, Dröes RM, Orrell M.痴呆患者的记忆支持辅助技术。Cochrane Database Syst Rev 2017 6月11日;6(6):CD009627 [免费全文] [CrossRef] [Medline］
    154. Burns SP, Terblanche M, Perea J, Lillard H, DeLaPena C, Grinage N，等。成人中风患者的移动健康干预应用:范围综述。Arch Rehabil Res Clin Transl 2021 Mar;3(1):100095 [免费全文] [CrossRef] [Medline］
    155. Masina F, Orso V, Pluchino P, Dainese G, Volpato S, Nelini C，等。调查语音助手与受损用户的可访问性:混合方法研究。J Med Internet Res 2020年9月25日;22(9):e18431 [免费全文] [CrossRef] [Medline］
    156. 贾恩V, Khurana N, Bhardwaj S.在环境辅助生活中使用机器学习的人类行为综述。见:第三届计算信息学与网络国际会议论文集，2020年发表于:ICCIN '20;2020年7月29-30日;印度新德里，第333-345页。［CrossRef］
    157. 徐震，王刚，郭旭。独居老人活动识别的比较研究。载于:2019中国智能系统大会论文集。2019发表于:CISC '19;2019年10月26-27日;中国海口，页276-291。［CrossRef］

    ‎
    AAL:环境辅助生活
    分布:日常生活活动
    人工智能:人工智能
    DL:深度学习
    哈尔:人类活动识别
    IADL:日常生活中的工具性活动
    ML:机器学习
    NLP:自然语言处理
    棱镜:系统评价和元分析的首选报告项目
    RGBD:红绿蓝深度
    中移动:研究问题

    G·艾森巴赫(G Eysenbach)编辑;提交17.01.22;作者:JY Choi, J Fan;对作者05.07.22的评论;订正版本收到15.08.22;接受23.09.22;发表04.11.22

    版权

    ©Mladjan Jovanovic, Goran Mitrov, Eftim Zdravevski, Petre Lameski, Sara Colantonio, Martin Kampel, Hilda Tellioglu, Francisco Florez-Revuelta。最初发表于《医疗互联网研究杂志》(//www.mybigtv.com)， 2022年11月4日。

    这是一篇开放获取的文章，根据创作共用署名许可(https://creativecommons.org/licenses/by/4.0/)的条款发布，允许在任何媒介上无限制地使用、分发和复制，前提是正确引用最初发表在《医学互联网研究杂志》上的原创作品。必须包括完整的书目信息，//www.mybigtv.com/上的原始出版物的链接，以及此版权和许可信息。
    Baidu
    map