开发智能可穿戴算法 (DIWAH)

在全球范围内，预期寿命逐渐延长，导致人口结构转向老年人口比例不断增加。 例如，在瑞典，未来50年75岁以上人口数量将增加一倍，比例将增加60%以上（瑞典统计局，公开数据）。 这意味着更多的人将活得更久，而能够照顾他们的人却更少。 应对这一人口转变的主要社会挑战之一是制定保持该年龄段良好健康和生活质量的策略，然后当他们不可避免地生病时，我们应该如何以最好的方式对待他们？ 前进的方法之一是利用技术发展提供的机遇。 事实上，瑞典在 Vision2025 (www.ehalsa2025.se) 中概述了一个非常雄心勃勃的目标： 到 2025 年，瑞典将成为世界上最善于利用数字化和电子医疗提供的机会，让人们更容易实现良好和平等的健康和福利，并开发和加强自身资源以增强独立性和参与生活的人社会的。 然而，仅数字技术不足以实现这一目标，还必须存在使用该技术来提高个人健康的其他策略。 其中一项策略是在一生中保持健康的身体活动水平。 身体活动是人类可以自行改变且成本较低的少数行为之一，同时可以产生显着的身心健康益处[1]。 为此，评估一个人的习惯性身体活动水平（定义为“个人身体活动变化的假设平均值”）的能力长期以来一直被认为是身体活动研究人员的圣杯。 30 年来，研究人员一直使用加速度计来客观地量化自由生活的身体活动，但在过去十年中，可穿戴设备在普通人群中变得非常受欢迎（Apple 和 Fitbit 是最大的品牌）。 可穿戴设备在这里定义为带有嵌入式传感器的小型便携式设备，可测量健康相关变量，声称能够收集有关健康相关行为的长期高分辨率数据，例如身体姿势、PA 强度、睡眠等。 2]。 可穿戴设备还可以捕获与心脏代谢系统相关的重要方面，例如心率、血压 [3]，以及支持行为变化 [4]。 因此，它们可以被视为“瑞士军刀”，因为它们在一个设备中提供了多种工具。 理论上，可穿戴设备在健康促进、疾病预防和疾病治疗方面具有巨大的前景，可用于创建基于证据的个性化 PA [2, 5-8]。 与大多数研究级监视器相比，商用可穿戴设备具有多种优势，使其在医疗保健系统中具有吸引力。 它们包含多个与 PA 和相关健康结果评估相关的传感器，特别是用于检测运动生物力学方面的加速度计和用于检测运动生理反应（例如心率）的光学传感器。 与研究级监测器相比，商用监测器的额外优势在于它们被设计为可长时间佩戴，这为评估个人身体活动水平提供了更好的机会，尤其是那些最不活跃的人 [9, 10]。 然而，在过去的十年中，不同的可穿戴设备和数据处理方法激增，但没有建立评估其有效性或可靠性的框架[11]。 由于不鲁棒的设备开发和评估方法无法反映它们在实践中的使用方式，这造成了极大的混乱。 此外，不同品牌内部和之间对身体活动的汇总估计存在差异，因此无法汇集数据或在不同研究之间进行直接比较。 可穿戴设备的其他局限性使其不适合使用，即使在健康个体中也是如此，因为它们主要是为健身市场设计的，而不是在医疗保健系统内使用，它们没有以透明的方式进行评估，它们没有准确地进行评估。捕捉运动模式改变的个体（例如老年人）的身体活动[12]。 尽管大多数可穿戴设备中的硬件相似，但将传感器信号转换为不同可解释结果（例如步骤）的算法通常是专有的，并且以不规则的间隔更新。 其他重要的限制包括可疑的患者保密性和数据所有权。 如今，商业级和研究级监测仪都无法评估个人水平的身体活动，因为它们对收集到的大量数据的利用有限。 如果可穿戴设备能够克服这些限制，它们就有望扩大针对患者的具体测量的临床范围，并且被认为是未来精准健康和个性化医疗的重要工具。 考虑到进入市场的大量新型可穿戴 PA 追踪器在没有事先证明有效性的情况下，为消费者、患者、健康专业人员和研究人员提供具有出色有效性和可靠性的开源、基于证据的可穿戴设备至关重要。

目的和目标 在这个项目中，我们将开始将商用可穿戴设备的优势与研究级监视器和现代数据处理方法的优势相结合，以克服这些限制。 来自加速度计（生物力学）的信息和来自光学传感器（生理反应）的心率信息的结合改进了对个人水平上的 PA 强度和身体活动相关能量消耗的预测 [13]。 此外，安装在可穿戴设备中的光学传感器可以估计个人的血压。 来自传感器的信号将使用人工智能和机器学习进行分析，以更好地利用收集到的丰富数据。 通常情况下，PA 和健康结果是在不同时间测量的，但可穿戴设备可以同时实时收集多个变量的数据。 这种能力可以提供有关身体活动行为与个体临床状态之间关联的新细节。 尚未对此进行研究，很可能是由于获取和分析这些数据的复杂性。 然而，该领域现在已经发展到拥有技术、处理能力和分析工具的阶段。 因此，现在是时候探索将身体活动行为、健康相关结果和人工智能的实时数据相结合的全部可能性了。 这样，未来公民就可以通过基于设备的服务来改善和维护自己的健康，并根据个人健康数据做出明智的决定。

DIWAH 的首要目的是开发和验证基于人工智能/机器学习的算法，以实时评估个人层面的身体活动和健康相关变量，以便在使用开源可穿戴设备的医疗保健系统中使用。

在这个项目中，我们将采取第一步，使用透明的基于阶段的框架对算法进行严格的开发和验证。 更具体地说，我们的目标是开发用于评估的算法：

• 体力活动
• 心率
• 健康相关变量，例如血压和能量消耗我们还将尝试确定哪些潜在因素可以改善预测，例如年龄、性别、身体成分和健康相关的健身水平。

项目描述 研究样本 我们将招募约 50 名表面健康的成年人（18-65 岁，50% 女性）参与该项目。 招聘将采用便利抽样方法进行。 我们将通过口碑传播到体育俱乐部、工作场所和大学学生。

除了受试者必须表面健康并且能够慢跑至少 30 分钟外，研究中没有任何特殊要求。 排除标准包括已知的心血管疾病或正在服用影响心率的药物。

研究设计 鉴于所有可穿戴设备中的硬件都是相似的，重点是遵循 Keadle 等人概述的框架来开发尽可能透明的算法。 [14]，同时遵守 INTERLIVE 网络关于人力资源监测的专家建议 [15]。 Keadle 框架的灵感来自于药物开发，并建议五个阶段：机械信号测试、实验室测试、半结构化评估、自然验证和采用。 本项目不会涵盖所有这些阶段。 半结构化评估阶段旨在根据可穿戴设备中传感器的信号识别特定活动，例如跑步或吸尘。 然而，对于相同强度的不同类型的活动，生理反应以及由此产生的身体活动对健康的影响将是相似的。 例如，如果心脏以相同的强度工作，它并不真正关心一个人是在跑步还是在铲雪。 此外，我们认为在确定设备提供有效数据之前，在患者群体中测试该设备（第五阶段 - 采用）不符合道德动机。 因此，当前项目将省略半结构化评估阶段以及采用阶段。

第一阶段 - 产品开发 鉴于市场上每种可穿戴设备的硬件都是相似的，因此使用哪个特定品牌的可穿戴设备来开发和测试我们的算法并不重要。 第一阶段的主要思想是确保可穿戴设备生成有效数据，并且可以轻松访问原始的未处理数据。 为此，我们确定了两款开源可穿戴设备，其硬件满足身体活动（加速度计）、HR（光学传感器）、健康相关变量评估的要求，并且还可以使用蓝牙与外部设备进行无线通信，即手镯.js 2 (https://www.espruino.com/Bangle.js2) 和 Pinetime (https://www.pine64.org/pinetime/)。 我们还创建了应用程序，将数据本地存储在设备上，并允许轻松传输到外部设备，以便进一步处理和分析第 2 阶段收集的数据。根据第 2 阶段的结果，我们有必要在进行之前第 3 阶段 - 自然验证，开发预处理方法，因为可穿戴设备的内存容量不允许存储该阶段收集的大量原始数据。 因此，这个阶段将是整个项目持续进行的一部分。

第 2 阶段 - 实验室开发 第 2 阶段研究的目标是开发和测试算法，以在受控实验室条件下根据可穿戴设备信号估计体力活动强度、体力活动的能量成本和血压。 此外，我们将确定可能提高预测精度的潜在预测因素。 这个想法是，在从休息到步行和加速跑步直至精疲力尽的协议期间，可穿戴数据与标准测量同时收集。 在协议期间，将使用安装在胸部的间接量热法（Vyntus CPX，Vyaire Medical，Inc.，伊利诺斯州，美国）和心率监测器（Polar Electro Oy，Kempele，芬兰）对他们进行监测，这与适当的心电图完全可比(r>0.99 [16]），同时配备了可穿戴设备、研究级加速度计（Actigraph GT3+，Actigraphcorp，彭萨科拉，佛罗里达州，美国）和商业可穿戴设备（Fit-Bit Sense，Fitbit International Limited，爱尔兰都柏林）。 该过程将从可穿戴设备在各种身体活动强度（从休息到个人水平的最大努力）下捕获连续信号。 这将允许在群体和个人水平上对信号进行建模，并与间接量热法和心率监测的黄金标准方法进行比较。 我们还将使用标准临床监视器收集血压数据，以将光学信号与血压计的信号进行比较。

在该项目范围内，我们还将进行几项成熟的与健康相关的健身测试。 对于肌肉力量，将使用握力测试，对于灵活性，将使用坐姿和伸展测试[17]。 此外，还将进行定时启动测试（TUG）[18]。 我们还将收集参与者的年龄、性别和身体成分等背景数据。 然后使用这些测试来探索预测个人体力活动水平的可能性。 此阶段的结果是一组模型，用于计算步数，并使用加速度计、光学传感器以及两者的组合来检测身体活动的强度，并通过背景数据进行增强。 我们还希望开发一种模型，在休息时使用可穿戴设备评估血压。

第三阶段 - 自然验证 该项目第三阶段的目标是在现实条件下与黄金标准措施相比对算法进行严格、独立的验证。 因此，在受控环境中开发算法后，我们将继续在自由生活中测试可穿戴设备。 第二阶段的 50 名参与者（50% 为女性，18-65 岁）将摄入一定剂量的双标水 (DLW)，这是衡量自由生活期间能量消耗的黄金标准，误差在 ±3% 以内。由呼吸室测量的真实值[19]。 即使 DLW 方法是黄金标准，但它并不经常使用，因为它是一种昂贵的方法，涉及用重氢 (2H) 和重氧 (18O) 富集受试者的体内水分，然后确定洗脱动力学的差异两种同位素之间的差异，这是使用专用设备产生二氧化碳（即能量消耗）的函数。

基于 DLW 动力学，我们将能够对来自原型可穿戴设备的信号进行建模，以找到最佳匹配，即原型评估与身体活动相关的能量消耗的效果如何。 这一阶段的成果预计将是一个模型，该模型根据可穿戴设备提供的信息评估自由生活条件下的能量消耗。 我们还旨在根据第二阶段提供的信息确定参与者的身体活动水平。

数据分析和统计 在该项目的所有阶段，我们将利用人工智能的力量，更具体地说，利用各种机器学习技术来预测个人水平的身体活动、能量消耗和血压的不同方面。 机器学习会根据数据集自动创建模型，这些模型有可能产生准确的预测，从而无需人工交互即可实时控制决策。 可穿戴设备提供来自加速度计和光学传感器的高频原始数据采样。 使用这些数据进行机器学习，为间接测量身体活动和单独建议健康的身体活动水平提供了良好的机会。 几项研究试图从腕戴式加速度计收集的加速度计数据中得出有意义的身体活动结果 [20-22]。 基于机器学习的研究旨在对体力活动类型进行分类，例如坐、站、走、跑等，或PA强度，例如久坐、轻度、中度、剧烈。 他们报告称，活动类型的分类准确度 >80% [23-26]，强度的分类准确度 >90% [27, 28]。 这些研究大多数使用带有标记数据的监督机器学习方法，即可以获得基本事实，例如随机森林[29-31]、支持向量机[26]、人工神经网络[32]和深度学习模型[ 33、34]。 只有少数研究使用无监督机器学习模型，例如隐含半马尔可夫模型 [31, 35] 和 k 均值聚类 [36]。 在这里，我们将有机会创建带有标记数据的数据集。 然而，由于该项目的总体目标是开发一款能够适应可穿戴设备个人用户的可穿戴设备，因此学习方法还必须能够处理未标记的数据。 为了解决这个问题，我们将使用强化学习 [37, 38]。 最后，我们还收集了几个背景变量，包括功能测试，我们将用它们来增强模型。 我们将确定性能最佳的模型，通过加速度计和心率来预测身体活动强度、频率和水平，并用其来预测能量消耗和血压。 最佳表现指的是准确性和可解释性，我们期望不同的方法在这两方面表现出色。 此外，基于对身体活动的更准确测量以及使用加速度计的时间序列数据进行的准确预测，我们重新评估了功能测试作为身体活动时间点预测器的潜力。

参考

1. 世界卫生组织。 2020 年体力活动和久坐行为指南。
2. Wright, S. P.、Hall Brown, T. S.、Collier, S. R. 和 Sandberg, K。消费者身体活动监测器如何改变人类生理学研究。 Am J Physiol Regul Integr Comp Physiol 312，R358-R367。 issn: 1522-1490（电子）0363-6119（链接）（3 月） 2017）。
3. Hosanee, M.、Chan, G.、Welykholowa, K.、Cooper, R.、Kyriacou, P. A.、Zheng, D.、Allen, J.、Abbott, D.、Menon, C.、Lovell, N. H.、Howard, N.、Chan, W. S.、Lim, K.、Fletcher, R.、Ward, R. 和 Elgendi, M. 用于血压监测的无袖单点光电容积描记法。 J Clin Med 9. issn: 2077-0383（印刷版）2077-0383（电子版）2077-0383（链接）（3 月） 2020）。
4. Aromatario, O.、Van Hoye, A.、Vuillemin, A.、Foucaut, A. M.、Crozet, C.、Pommier, J. 和 Cambon, L. 移动健康应用程序如何支持行为改变？ 对与身体活动和饮食行为相关的移动健康应用程序的范围审查。 公共卫生 175, 8-18。 issn: 1476-5616（电子）0033-3506（链接）（10 月） 2019）。
5. Bayoumy, K., Gaber, M., Elshafeey, A., Mhaimeed, O., Dineen, E. H., Marvel, F. A., Martin, S. S., Muse, E. D., Turakhia, M. P., Tarakji, K. G. & Elshazly, M. B. 智能可穿戴设备心血管护理：我们的现状以及如何前进。 纳特·Rev Cardiol。 issn: 1759-5010（电子）1759-5002（链接）（3 月） 2021）。 6. Bondaronek, P.、Alkhaldi, G.、Slee, A.、Hamilton, F. L. 和 Murray, E. 公开体育活动应用程序的质量：审查和内容分析。 JMIR Mhealth Uhealth 6，e53。 issn: 2291-5222（打印）2291-5222（链接）（3 月） 2018）。

7. Greiwe, J. 和 Nyenhuis, S.M. 可穿戴技术以及如何将其应用到临床实践中。 当前过敏哮喘代表 20、36。 issn：1534-6315（电子）1529-7322（链接）（2020 年 6 月）。

8. Peake, J. M.、Kerr, G. 和 Sullivan, J. P. 对消费类可穿戴设备、移动应用程序以及在身体活跃人群中提供生物反馈、监测压力和睡眠的设备的严格审查。 前生理学 9, 743。 issn：1664-042X（打印）1664-042X（链接）（2018）。

9. Bergman, P. 将一个人的习惯性身体活动估计到给定精度水平所需的重复观察次数。 PloS One 13，e0192117。 issn：1932-6203（电子）1932-6203（链接）（2018）。

10. Bergman, P. 和 Hagstromer, M。没有一种基于加速度计的身体活动数据收集协议能够满足所有研究问题。 BMC 医学研究方法 20, 141。 issn：1471-2288（电子）1471-2288（链接）（2020 年 6 月）。

11. Jensen, M. T.、Treskes, R. W.、Caiani, E. G.、Casado-Arroyo, R.、Cowie, M. R.、Dilaveris, P.、Dunker, D.、Di Rienzo, M.、Frederix, I.、De Groot, N ., Kolh, P. H., Kemps, H., Mamas, M., McGreavy, P., Neubeck, L., Parati, G., Platonov, P. G., Schmidt-Trucksäss, A., Schuuring, M. J., Simova, I. 、Svennberg, E.、Verstrael, A. 和 Lumens, J. ESC 电子心脏病学工作组立场文件：与欧洲心脏组织合作，在一级和二级心血管预防中使用商用可穿戴技术进行心率和活动跟踪节律协会、欧洲预防心脏病学协会、心血管护理及相关专业人员协会、患者论坛和数字健康委员会。 欧洲心脏杂志。 数字健康 2, 49-59。 国际刊号：2634-3916

（3月1日 2021）。 电子发布。 12. Wong, C. K.、Mentis, H. M. 和 Kuber, R. 不合适：对较慢步行速度下的商业活动跟踪器的评估。 步态姿势 59, 177-181。 issn: 1879-2219（电子）0966-6362（链接）（1 月） 2018）。

13. Brage, S.、Brage, N.、Franks, P. W.、Ekelund, U.、Wong, M. Y.、Andersen, L. B.、Froberg, K. 和 Wareham, N. J. 同时加速测量和心率监测的分支方程模型改进了对直接测量体力活动的能量消耗。 应用生理学杂志 (1985) 96, 343-51。 issn: 8750-7587（打印）0161-7567（链接）（1 月） 2004）。

14. Keadle, S. K.、Lyden, K. A.、Strath, S. J.、Staudenmayer, J. W. 和 Freedson, P. S. 评估物理行为设备的框架。 Exerc 运动科学修订版 47, 206-214。 issn: 1538-3008（电子）0091-6331（链接）（10 月） 2019）。

15. Muhlen, J. M.、Stang, J.、Lykke Skovgaard, E.、Judice, P. B.、Molina-Garcia, P.、Johnston, W.、Sardinha, L. B.、Ortega, F. B.、Caulfield, B.、Bloch, W. ，Cheng，S.，Ekelund，U.，Brond，J.C.，Grontved，A. 和 Schumann，M。确定消费者可穿戴心率设备有效性的建议：专家声明和 INTERLIVE 网络清单。 Br J 运动医学。 issn: 1473-0480（电子）0306-3674（链接）（1 月） 2021）。

16. Gillinov, S.、Etiwy, M.、Wang, R.、Blackburn, G.、Phelan, D.、Gillinov, A. M.、Houghtaling, P.、Javadikasgari, H. 和 Desai, M. Y. 可穿戴心率的可变精度有氧运动期间的监控。 运动和锻炼中的医学和科学 49, 1697-1703。 ISSN：1530-0315（2017 年 8 月 8 日）。 发布。

17. Oja, P. 和 Tuxworth, B. 成人 Eurofit。 评估与健康相关的体能。 斯特拉斯堡：欧洲委员会-UKK 研究所，坦佩雷。 （1995）。

18. Podsiadlo, D. 和 Richardson, S. 定时“Up & Go”：对体弱老年人的基本功能活动能力的测试。 J Am Geriatr Soc 39, 142-8。 issn：0002-8614（打印）0002-8614（链接）（2 月） 1991）。

19. Westerterp, K. R. 能量消耗的双标记水评估：原则、实践和承诺。 欧洲应用生理学杂志 117, 1277-1285。 issn：1439-6327（电子）1439-6319（链接）（2017 年 7 月）。

20. Arvidsson, D.、Fridolfsson, J. 和 Borjesson, M。使用加速度计测量临床实践中的身体活动。 实习医学杂志 286, 137-153。 issn: 1365-2796（电子）0954-6820（链接）（8 月） 2019）。

21. Liu, F.、Wanigatunga, A. A. 和 Schrack, J. A. 使用手腕加速度计评估成人身体活动。 流行病学修订版 43, 65-93。 issn：1478-6729（电子）0193-936X（链接）（1 月） 2022）。

22. Rastogi, T.、Backes, A.、Schmitz, S.、Fagherazzi, G.、van Hees, V. 和 Malisoux, L. 使用加速度计原始时间序列数据评估身体活动行为的高级分析方法：协议范围审查。 系统修订版 9, 259。 issn：2046-4053（电子）2046-4053（链接）（11 月） 2020）。

23. Garatachea, N.、Torres Luque, G. 和 Gonzalez Gallego, J. 使用加速度计测量老年人的体力活动和能量消耗。 营养医院 25, 224-30。 issn: 0212-1611（打印） 0212-1611（链接）（4 月） 2010）。

24. Heesch, K. C.、Hill, R. L.、Aguilar-Farias, N.、van Uffelen, J. G. Z. 和 Pavey, T.

测量老年人久坐行为的客观方法的有效性：系统评价。 Int J Behav Nutr Phys Act 15, 119。 issn：1479-5868（电子）1479-5868（链接）（11 月） 2018）。

25. Phillips, L. J.、Petroski, G. F. 和 Markis, N. E. 老年人加速度计精度的比较。 Res Gerontol Nurs 8, 213-9。 issn：1938-2464（电子）1938-2464（链接）（10 月） 2015）。

26. Shen，B.，Moosman，O.M.，Del Pozo-Cruz，B.，Del Pozo-Cruz，J.，Alfonso-Rosa，R.M. 和Zhang，Y。 比较不同的机器学习算法、用于身体活动分类的活动监视器的类型和位置。 测量 154, 107480 (2020)。

27. Montoye, A. H. K.、Pivarnik, J. M.、Mudd, L. M.、Biswas, S. 和 Pfeiffer, K. A.

佩戴在臀部、大腿和手腕上的加速度计用于测量身体活动和久坐行为的验证和比较。 AIMS 公共卫生 3，298-312。 issn：2327-8994（打印）2327-8994（链接）（2016）。

28. Montoye, A. H. K.、Westgate, B. S.、Fonley, M. R. 和 Pfeiffer, K. A. 使用腕戴式加速度计对身体活动强度预测进行交叉验证和样本外测试。 应用生理学杂志 (1985) 124, 1284-1293。 issn：1522-1601（电子）0161-7567（链接）（2018 年 5 月）。

29. Ahmadi, M. N.、Chowdhury, A.、Pavey, T. 和 Trost, S. G. 基于实验室和自由生活的学龄前儿童能量消耗估算算法：自由生活评估。 PloS One 15，e0233229。 issn：1932-6203（电子）1932-6203（链接）（2020）。

30. Stewart, T.、Narayanan, A.、Hedayatrad, L.、Neville, J.、Mackay, L. 和 Duncan, S. 用于对儿童和成人身体活动进行分类的双加速度计系统。 运动和锻炼中的医学和科学 50, 2595-2602。 issn：1530-0315（电子）0195-9131（链接）（12 月） 2018）。

31. Willetts, M.、Hollowell, S.、Aslett, L.、Holmes, C. 和 Doherty, A. 根据 96,220 名英国生物银行参与者的传感器数据对睡眠和身体活动表型进行统计机器学习。 科学报告 8, 7961。 issn：2045-2322（电子）2045-2322（链接）（2018 年 5 月）。

32. Narayanan, A.、Desai, F.、Stewart, T.、Duncan, S. 和 Mackay, L. 应用原始加速度计数据和机器学习技术来表征人类运动行为：系统范围界定审查。 体育活动与健康杂志 17, 360-383 (2020)。

33. Galán-Mercant, A.、Ortiz, A.、Herrera-Viedma, E.、Tomas, M. T.、Fernandes, B. 和 Moral-Munoz, J. A. 使用卷积神经网络评估身体活动和功能健身水平。 基于知识的系统 185 (2019)。

34. Hamid, A.、Duncan, M. J.、Eyre, E. L. J. 和 Jing, Y. 使用深度学习和可穿戴传感器数据预测儿童在体育活动期间的能量消耗。 欧洲运动科学杂志 21, 918-926。 issn：1536-7290（电子）1536-7290（链接）（2021 年 6 月）。

Van Kuppevelt, D.、Heywood, J.、Hamer, M.、Sabia, S.、Fitzsimons, E. 和 van Hees, V. 通过无监督机器学习对日常生活中的加速度计数据进行分段。 PloS One 14，e0208692。 issn：1932-6203（电子）1932-6203（链接）（2019）。

36. Jones, P. J., Catt, M., Davies, M. J., Edwardson, C. L., Mirkes, E. M., Khunti, K., Yates, T. & Rowlands, A. V. 加速度计数据身体活动集群无监督机器学习的特征选择 - 系统综述。 步态姿势 90、120-128。 issn: 1879-2219（电子）0966-6362（链接）（10 月） 2021）。

37. Hochberg, I.、Feraru, G.、Kozdoba, M.、Mannor, S.、Tennenholtz, M. 和 Yom-Tov, E. 通过强化学习的自动个性化反馈鼓励糖尿病患者进行体育活动，改善血糖控制。 糖尿病护理 39，e59-60。 issn：1935-5548（电子）0149-5992（链接）（4 月） 2016）。

38. Wijkman, M.、Carlsson, M.、Darwiche, G. 和 Nystrom, F. H. 使用远程医疗治疗方法进行高血压管理的试点研究。 血压监测第 25、18-21 期。 issn：1473-5725（电子）1359-5237（链接）（2 月） 2020）