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。
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。
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。
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。
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。
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。
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
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[
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[
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[
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[
不同的
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[
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。
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[
在AAL的背景下,
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[
移动技术是老年人健康和活动数据收集的多功能来源[
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。
人工智能分类为常用学习方法[
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 |
人工智能模型综述[
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 |
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):
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。
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。
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。
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,我们检查了终端用户组和他们对AAL系统使用的看法,以指出系统应该满足或改进的具体需求。
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。
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[
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。
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
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
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 |
|
人工智能课 | 强制性的 |
|
人工智能模型 | 强制性的 |
|
域 | 可选 |
|
技术 | 可选 |
|
受益人 | 可选 |
|
担忧 | 可选 |
|
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
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。
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。
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。
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)。
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。
NLP搜索工具包最初确定了36,370项潜在相关研究(
我们通过响应指导我们评审的rq来描述结果。
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(
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(
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。
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。
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。
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)。
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)。
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。
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。
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。
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。
在相关文章中描述技术、受益人和关注点共同出现的热图。
关于班级,相关文章分析(
AI类的分布如图所示
的
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(
使用
其余模型在搜索时间框架内使用的范围较小。
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
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。
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。
AI模型应用于多个领域、每个领域或组合(
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[
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。
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。
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[
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。
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。
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。
这段时间我们已经看到了各种各样的AI
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[
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[
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[
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[
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[
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。
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[
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。
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[
Singh等人的检讨[
Demrozi等人的调查[
痴呆症手机应用程序综述[
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[
使用移动和可穿戴传感器网络的HAR DL算法的深入分析[
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[
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[
另一项综述调查了中风成人的移动健康干预措施[
有运动、语言和认知障碍的人使用现成的语音助手[
HAR的不同ML算法比较研究[
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。
从5个数码图书馆检索的相关文章列表。
环境辅助生活
日常生活活动
人工智能
深度学习
人类活动识别
日常生活中的工具性活动
机器学习
自然语言处理
系统评价和元分析的首选报告项目
红绿蓝深度
研究问题
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。
没有宣布。