A State-of-the-Art Review of Computational Models for Analyzing Longitudinal Wearable Sensor Data in Healthcare

要約

ウェアラブル デバイスは、ウェアラブル デバイスが収集する行動および生理学的データの継続的な流れにより、日常の状況における私たちの健康についての洞察を提供できるため、生物医学研究のツールとしてますます使用されています。
年間の月単位のタイムスケールで定義される長期追跡により、健康状態の変化の指標としてパターンや変化に関する洞察が得られます。
これらの洞察により、医療とヘルスケアをより予測的、予防的、個別化された、参加型 (4P) にすることができます。
しかし、縦断的データのモデル化、理解、処理における課題は、研究研究や臨床現場での採用の大きな障壁となっています。
この論文では、長期的なデータを理解するために使用される 3 つのモデル、ルーチン、リズム、安定性メトリクスをレビューし、説明します。
私たちは、さまざまな粒度でさまざまな時間的ダイナミクスを処理する方法に特に焦点を当てて、縦方向のウェアラブル センサー データの処理と分析に関連する課題を提示します。
次に、現在の制限について話し合い、将来の作業の方向性を特定します。
このレビューは、広範な医療のための縦方向のセンサー データの計算モデリングと分析の進歩に不可欠です。

要約(オリジナル)

Wearable devices are increasingly used as tools for biomedical research, as the continuous stream of behavioral and physiological data they collect can provide insights about our health in everyday contexts. Long-term tracking, defined in the timescale of months of year, can provide insights of patterns and changes as indicators of health changes. These insights can make medicine and healthcare more predictive, preventive, personalized, and participative (The 4P’s). However, the challenges in modeling, understanding and processing longitudinal data are a significant barrier to their adoption in research studies and clinical settings. In this paper, we review and discuss three models used to make sense of longitudinal data: routines, rhythms and stability metrics. We present the challenges associated with the processing and analysis of longitudinal wearable sensor data, with a special focus on how to handle the different temporal dynamics at various granularities. We then discuss current limitations and identify directions for future work. This review is essential to the advancement of computational modeling and analysis of longitudinal sensor data for pervasive healthcare.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google