Аннотация. 

В работе описываются алгоритмы, которые позволяют автоматически получать значения факторов риска ряда заболеваний на основе данных, поступающих с браслетов, умных часов, весов и других устройств, относящихся к Интернету вещей. В настоящее время такие устройства позволяют измерять показатели состояния здоровья и образа жизни человека. На основании этих показателей можно определить значения факторов риска для различных заболеваний. В статье, на примере определения среднего значения пульса в покое, описан подход по применению методов искусственного интеллекта для получения значений факторов риска на основе анализа данных, поступающих с носимых устройств.

Ключевые слова: 

здоровьесбережение, факторы риска, искусственный интеллект, базы знаний, профилактика, Интернет вещей

Стр. 83-96.

DOI 10.14357/20718632210109

 

 

Литература

1. Grigoriev O. G., Molodchenkov A. I. Technology of Personalized Preventive Recommendation Formation Based on Disease Risk Assessment // 17th Russian Conference on Artificial Intelligence, RCAI 2019 (Ulyanovsk; Russian Federation; 21-25 October).2019. Springer, Communications in Computer and Information Science, Vol.1093. P. 298-309. DOI: 10.1007/978-3-030-30763-9_25

2. E. Tapia, “Using machine learning for real-time activity recognition and estimation of energy expenditure” Ph.D. dissertation, Massachusetts Inst. Technol., Cambridge, MA, USA, 2008.

3. G. K. Reddy and K. L. Achari A non invasive method for calculating calories burned during exercise using heartbeat // IEEE 9th International Conference on Intelligent Systems and Control (ISCO), Coimbatore, 2015, pp. 1-5.

4. Y. Jain, D. Chowdhury and M. Chattopadhyay Machine Learning Based Fitness Tracker Platform Using MEMS Accelerometer // International Conference on Computer, Electrical & Communication Engineering (ICCECE), Kolkata, 2017, pp. 1-5.

5. R. Choi, W. Kang and C. Son, Explainable sleep quality evaluation model using machine learning approach // 2017 IEEE International Conference on Multisensor Fusion and Integration for Intelligent Systems (MFI), Daegu, 2017, pp. 542-546.

6. Grzymala-Busse J. W. LERS-a system for learning from examples based on rough sets //Intelligent decision support. – Springer, Dordrecht, 1992. – pp. 3-18.

7. de Arriba-Pérez, F., Caeiro-Rodríguez, M. & Santos-Gago, J.M. How do you sleep? Using off the shelf wrist wearables to estimate sleep quality, sleepiness level, chronotype and sleep regularity indicators. // J Ambient Intell Human Comput 9, 897–917 (2018). https://doi.org/10.1007/s12652-017-0477-5.

8. Cleary JG, Cleary JG, Trigg LE (1995) K*: An Instancebased Learner Using an Entropic Distance Measure. In: Proc 12th Int Conf Mach Learn, pp 108–114.

9. Shevade SK, Keerthi SS, Bhattacharyya C, Murthy KRK (2000) Improvements to the SMO algorithm for SVM regression. IEEE Trans Neural Netw 11:1188–1193

10. MacKay D (1998) Introduction to Gaussian processes. NATO ASI Ser F Comput Sys Sci 168:133–166

11. Ruck DW, Rogers SK, Kabrisky M et al (1990) The multilayer perceptron as an approximation to a Bayes optimal discriminant function. IEEE Trans Neural Netw 1:296–298.

12. Frank E, Hall M, Pfahringer B (2003) Locally weighted naive bayes. In: Proc Ninet Conf Uncertain Artif Intell, pp 249–256.

13. Welch, P. D. (1967), "The use of Fast Fourier Transform for the estimation of power spectra: A method based on time averaging over short, modified periodograms" (PDF), IEEE Transactions on Audio and Electroacoustics, AU-15 (2): 70–73, Bibcode:1967ITAE...15...70W, doi:10.1109/TAU.1967.1161901.

14. Orfanidis, S. J. Introduction to Signal Processing. Englewood Cliffs, NJ: Prentice-Hall, 1995.

15. Fitbase (электронный ресурс) url: https://www.fitabase.com/resources/knowledgebase/exporting-data/example-data-sets/ (дата обращения 01.02.2021).