本文内容如下e-collection /主题问题:

数字健康评论(812) 人工智能(683) 机器学习(1028) 为卫生专业人员提供决策支持(751)

发表在在24卷11号（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； Goran Mitrov2 作者:Orcid； Eftim Zdravevski2 作者:Orcid； 那Lameski2 作者:Orcid； 莎拉Colantonio3. 作者:Orcid； 马丁Kampel4 作者:Orcid； 希尔达Tellioglu4 作者:Orcid； 旧金山Florez-Revuelta5 作者:Orcid
文章 作者 引自(3) Tweetations (16) 指标

    审查

    1塞尔维亚贝尔格莱德Singidunum大学计算机科学系

    2北马其顿斯科普里圣西里尔和梅迪奥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西班牙阿利坎特阿利坎特大学计算机技术系

    通讯作者:

    Mladjan Jovanovic博士

    新加坡大学计算机科学系

    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。见更正声明://www.mybigtv.com/2022/12/e45081

    背景:环境辅助生活(AAL)是各种人工智能(AI)注入的应用程序和平台的统称，这些应用程序和平台支持有需要的用户进行从健康到日常生活的多种活动。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，以个性化他们的服务并提高结果。考虑到针对具有不同需求、健康状况和对技术倾向的人开发和部署的众多系统，获得有关所使用的人工智能模型及其领域、技术和关注点的清晰和全面的见解至关重要，以确定未来工作的有希望的方向。

    摘要目的:本研究旨在对AAL中人工智能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，以及来自最终用户视角的主要关注点。我们的目标是巩固对这一主题的研究，并在开发、部署和评估未来智能AAL系统方面为最终用户、医疗保健专业人员和提供者、研究人员和从业人员提供信息。

    方法:本研究是作为一项范围综述来进行的，以识别、分析和提取相关文献。它使用自然语言处理工具包来检索文章语料库，实现高效、全面的自动文献检索。然后从语料库中提取相关文章并进行人工分析。本综述包括5个数字图书馆:IEEE、PubMed、b施普林格、Elsevier和MDPI。

    结果:我们总共纳入了108篇文章。从2010年1月到2022年7月，各类相关文章的年度分布呈增长趋势。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。活动协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了这些模型。老年人是主要受益者，其次是不同年龄的病人和体弱者。可用性是最受关注的受益者。

    结论:本研究提出了人工智能模型在AAL及其领域、技术、受益者和关注点中的分析证据。未来对智能AAL的研究应该让卫生保健专业人员和护理人员作为设计者和使用者，遵守与健康相关的法规，提高透明度和隐私性，与卫生保健技术基础设施相结合，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:普洛斯彼罗(国际前瞻性系统评论登记册)CRD42022347590;https://www.crd.york.ac.uk/prospero/display_record.php?ID=CRD42022347590

    [J] .中国医学信息学报，2016;24(11):563 - 563

    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)是一个总称，描述了一种技术设计的一般方法，以在辅助使用者周围建造安全的环境，并帮助他们保持独立的生活[1]。随着时间的推移，它主要关注老年人(65岁以上的人)作为目标用户。

    为这一群体开发技术是一项越来越重要的设计挑战，因为他们在晚年有特定的缺陷[2]。除了可用性之外，还越来越强调为老年人设计技术，使他们不仅能够满足自己的需要，而且能够改变他们的身心健康和福祉[3.，4]。这一挑战尤为重要，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，估计世界人口的16.6%将达到60岁以上[6]。

    在过去的十年中，随着人们年龄的增长，人们开发了许多技术设备来支持积极的生活方式，这涉及到健康促进[4，7，8]。健康促进是指"通过卫生扫盲工作和多部门行动促进健康行为，增强人们对其健康及其决定因素的控制能力的过程" [9]。在技术设计方面，目标是找到具有成本效益的解决办法，帮助独立生活并提供保健和福利[10]。对信息和通信技术研究与发展的全面分析显示，这些技术的共同目标是提供健康、可及性和安全[11，12]。许多技术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的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]。这些系统主要关注两种涉及老年用户的自动决策场景健康监测和活动识别［8，16，17]。

    不同的监控各种技术系统都针对不同的环境，从使用可穿戴设备和环境传感技术的防摔监测系统[18以及为患有痴呆症和轻度认知障碍的人提供福利的社交机器人[13到治疗和康复期间的休闲和用户参与游戏[14]。

    机器人技术已被广泛用作支持健康监测和活动能力(如力量、平衡和活动范围)的工具[15]，或作为同伴[19协助老年人在家进行日常和社会活动。前者可能是非社交机器人，而后者则是以提供陪伴为主要目标的社交机器人。

    远程呈现机器人已经成功地用于支持老年人在家中进行日常活动的自主性。长颈鹿是一种远程呈现机器人，它使用视频接口让护理人员和亲戚远程访问家中的老年人。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，提醒护理人员注意紧急情况。同样，Matilda是一个具有人类属性的社交机器人(例如娃娃脸的外观，人类的声音，手势和身体动作)，可以识别声音和面孔，并进行诸如播放音乐，跳舞和玩纸牌游戏等活动[21]。

    尽管生物衰老无法停止，但有规律的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下降[22]。关于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是老年人最喜欢的活动[23]。特定的技术，例如exergames [10]或网上的练习和活动[24，25]，激励、维持和监督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、个性化反馈和进步，这些应用对老年人的有效性更高(即，增加对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。它可以检测跌倒并识别日常生活活动(ADL)，这对于识别与特定疾病发展相关的复杂模式至关重要。Zdravevski等[27]提出了一种自动化的方法来分析来自各种传感器的多变量时间序列，并促进日常活动的鲁棒分类。

    可穿戴［28),移动技术(29，30.]用于隐性数据收集和分析，以确认老年人跟踪其健康状况和发现紧急情况的活动。

    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制约因素[28]。它进一步影响向用户提供及时和翔实的反馈和建议。与使用者有关的主要问题是私隐及接受程度[28原因是用例不明确，而且老年人很难将设备与智能手机配对。对可穿戴设备更稳定的承诺，需要有明显好处的用例，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一个多用途来源[29，30.]。它们有助于老年人的家庭护理和自我管理健康和福祉。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，实际使用流动科技的主要障碍包括私隐[30.]以及触屏交互风格的技术素养和可用性[31]。

    人工智能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，从而通过自动决策提供适当的服务。表1表示常见的AI分类，而表2总结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(包括相应的算法)[32-34]。我们将分类和模型分开，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(即，聚类可以以监督和无监督的方式进行)。

    表1。人工智能分类作为常用的学习方法[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，并且在预测错误时进行纠正。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，输出值未知。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性组织数据。 聚类、降维和关联规则学习
    Semisupervised学习 输入数据包含标记和未标记的示例。该模型学习结构来组织数据以创建预测。它对未标记的数据进行建模。 分类与回归
    强化学习 该模型奖励期望的行为，消除不期望的行为。它由一个学习代理(过程)来表示，这个学习代理(过程)感知和解释它的环境，采取行动，并通过尝试和错误来学习。 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)之间的关系进行建模。通过测量模型预测中的误差，这种关系不断得到完善。 线性和逻辑回归等变化
    基于实例的学习 基于被认为相关或必要的输入数据实例对决策建模。创建一个参考示例数据库，用于与新数据进行比较，以使用相似度指标找到最佳匹配项，从而做出决策。 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，通过将模型转换为更简单的形式来降低模型的复杂性。 脊回归和弹性网回归
    决策树学习 基于输入数据属性的值对决策建模。在对给定的输入数据做出决策时，它遵循树形结构。 分类和回归树以及条件决策树
    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 该模型将输入数据组织到组(或簇)中，其中从数据中获取或导出组成员资格或共性标准(例如，基于质心或分层)。 k均值，k中位数和分层聚类
    关联规则学习 该模型发现输入数据中的关联，从而做出决策。它提取描述输入数据中观察到的变量之间关系的规则。 先验算法和Eclat算法
    人工神经网络 该模型由人类神经网络的结构和功能驱动。表示一类模式匹配模型及其用于回归和分类问题的常用变体。 感知器，多层感知器，和反向传播
    深度学习 特殊类别的大型复杂神经网络，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，以及长短期记忆网络
    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，供其他学习方法使用。 主成分分析、主成分回归和线性判别分析
    整体学习 独立训练的多个模型，其中单个预测相结合以做出最终预测。由于这些模型在作出预期预测方面存在缺陷，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 特定于会话人工智能，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

    本研究调查了现有AAL技术的人工智能模型，以支持独立生活。模型决策的质量有利于老年人和其他需要帮助的用户群体积极改变行为，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。

    这个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，我们识别、描述并系统化了当前AAL系统中的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，加强积极方面，突出需要进一步研究的关键部分。
    3. RQ3:哪些技术正在使用这些模型?第三，我们利用人工智能模型研究了不同的技术，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，关于模型的重要关注点是什么?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2010年至2022年在AAL中发表的关于其领域、技术和关注点的AI模型。研究结果供卫生保健专业人员、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:方法部分包括范围文献综述的方法学;结果部分描述了108篇入选文章的分析结果;讨论部分包含了关于rq的审查结果的讨论，并概述了结论，局限性和对未来工作的影响。


    研究类型

    本文是一个范围综述，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-人工智能模型。我们通过在IEEE、PubMed、b施普林格、Elsevier和MDPI研究文章数据库中进行系统的文献检索，确定了要审查的文章。这项研究采用了PRISMA(系统评价和元分析的首选报告项目)工作流程进行系统评价[35]，如图1。

    ‎
    图1所示。审查流程的PRISMA(系统评价和荟萃分析的首选报告项目)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，查询图书馆文章的标题、摘要和关键词，检索词的结构如下所示表3。AAL和AI分类和模型类别的搜索条件为所有文章的必选搜索条件，其余类别为可选搜索条件。我们将分类作为属性并使用关键字进行搜索。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]。该工具包接受一组关键字作为输入，检索可能相关的文章，并结合文章要满足的一组属性(或类别)和属性组(作为子类别)。可以使用关键字和属性同义词扩展输入，以微调搜索和筛选过程。工具包的细节可以在Zdravevski等人的文章中找到[36]。

    这项研究于2022年7月进行，包括2010年至2022年间发表的英文研究论文。鉴于人工智能的快速发展也影响了技术支持的AAL的显着增长，我们希望在时间框架内涵盖足够的研究景观。

    搜索过程有时会通过多个关键字和短语来识别同一篇文章表3。例如，文章可以描述多种AI模型或分类的使用。在这种情况下，我们根据每个找到的关键字对文章进行多次统计，并将其呈现在图2-13在Results部分中。

    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，主动辅助生活，和主动辅助生活
    人工智能类 强制性的 监督学习，无监督学习，半监督学习，和强化学习
    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、人工神经网络、深度学习、集成学习、和自然语言处理
    域 可选 活动识别，健康监测，活动协助，康复，治疗，互动，交流，和娱乐
    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、和虚拟的同伴
    受益人 可选 老年人、体弱者、病人、医护人员、护理人员、和家庭
    担忧 可选 接受、采用、可用性、可访问性、隐私、可用性、可靠性、安全性、和安全

    筛选

    在筛选阶段，我们根据文献中提出的独立纳入和排除标准对检索到的文章进行评估，以评估其与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，对夹杂物进行了交叉检查、解决和确认。

    纳入和排除标准。

    入选标准

    • 环境辅助生活(AAL)应用和平台的人工智能(AI)类别和模型，其中明确考虑特定的类别和模型，在没有描述，分析或评估的情况下不会提及。
    • 文章有助于人工智能模型的领域，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将AAL系统的自动决策交付给最终用户，如研究问题3所示。
    • 根据研究问题4，描述最终用户对模型自动决策结果的关注的文章。
    • 主要的最终用户是老年人，但最终用户也包括其他用户群体。

    排除标准

    • 文章包含搜索词，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，我们详细分析了每一篇文章。我们在AAL系统中识别并提取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，在每篇文章中可用的地方。从文章中提取的信息保存在一个共享的电子表格中，以便于作者之间的编码和讨论。提取的信息包括出版地点和日期、文章摘要、使用的人工智能模型或模型(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)以及最终用户的信息及其对模型的关注(如果可用)。

    分析

    在此阶段，我们对提取的信息进行了手动的专题分析。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，我们根据它们的主要结果对文章进行分组，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，以及具有模型的受益者和使用关注点的文章。

    我们描述了分析特定文章组的一般方法。

    AAL中AI类与模型的分析涉及识别和描述系统自动学习和决策功能的系统，包括特定的人工智能算法或工具。人工智能模型域分析考虑了支持活动的特定应用程序场景。人工智能模型技术分析通过它自动生成决策并传达给最终用户。分析模型的关注点包括各种最终用户对模型功能和结果的感知和倾向。


    筛选程序和文章数量

    NLP搜索工具包最初确定了36,370项可能相关的研究(图1）.然后消除重复，将数量减少到20,295。自动筛选过程进一步删除了60篇在2010年之前发表的文章，或者由于解析错误、不可获得或其他原因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的20,235篇文章的资格，并保留了305篇文章。自动处理后，根据纳入和排除标准对文章进行详细分析。最后，108篇文章被认为有资格进行深入的手工调查，以确定和阐明研究结果、趋势和含义。文章被报道了出来多媒体附录1［27，37-142]。

    我们通过回应指导我们审查的rq来描述结果。

    有关物品及类别的分布

    图2说明了包含不同人工智能类和模型的相关文章的年度发生率。在文献中，“辅助生活服务”一词常被用来描述根据辅助生活服务的定义而具有类似背景和使用目的的系统[1，4]。它在某些年份(例如2019年)的表现超过了文章数量，并在2018年和2020年与AAL相当。在少数情况下，缩写被单独使用。总的来说，在整个搜索时间框架中有增长的趋势，偶尔在特定年份下降。减少是由于我们的搜索条件和纳入标准。许多关于人工智能的文章都没有明确提到人工智能模型的应用和结果。

    结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，因为出版商以技术为导向，有许多与AI模型和AAL相关的场所。PubMed紧随其后，更多地处理主题的最终用户方面，例如不同类型的用户评估。在2020年之前，我们可能会注意到增长趋势，之后会有一个振荡期。施普林格库结合了技术文章和面向用户的文章。在Elsevier图书馆中发现的相关文章数量较少，且年度趋势不规则，而MDPI从2020年开始发表相关文章。

    随着相关文章的总数在审查时间范围内增加，与相关类别有关的文章数量也随之改变(图4）.至于3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，前一年偶尔下降，2021年下降。作为可选类别，域遵循主要趋势，但文章较少，表明有时没有考虑到这一点(即，以独立于领域的方式使用或测试AI模型)。的受益人跟随主导趋势，但比领域小，表明人工智能模型有时被研究而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(即有或没有用户的部署和评估)中不同类型的人工智能模型验证，每年都会出现波动。的担忧出现的数量最少，且随时间增长，在某些年份出现波动，说明相关文章关注的是AAL中AI模型的各个方面，超出了用户关注的范围(即算法的准确性和性能)。

    ‎
    图2。2010年1月至2022年7月，每年与人工智能课程和模型相关的环境辅助生活(AAL)相关文章的数量。
    查看此图
    ‎
    图3。从2010年1月到2022年7月，每年相关文章的数量，按各自的数字图书馆分组。
    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联系

    我们的分析揭示了搜索类别之间的重叠。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，明显更高的来自不同类别或类别内的实例共现)。

    图5显示了AI模型和它们使用的类之间的关联。半监督学习是深度学习(DL)和NLP模型的主要方法(51次)。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的偶然方法(每个模型出现7次)。

    该研究揭示了不同类别之间的特定协同效应。在课堂上，有20篇文章结合了监督学习和非监督学习。强化学习与之前的每节课17次一起使用。这些研究将这些课程按顺序结合起来，或者在解决具体问题时进行相互比较。关于模型，我们注意到NLP任务主要由深度学习算法和工具处理(51次)。

    图6展示了人工智能模型、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。同样，在较小的程度上，NLP模型在活动辅助(26次)、活动识别(19次)、互动(15次)和交流(10次)方面也有帮助。

    人工智能模型和受益者的组合突出了老年人是深度学习(27次)和自然语言处理(26次)的主要用户。患者和体弱者共出现DL模型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)，其次是交流(12次)、互动(12次)和健康监测(10次)。患者与体弱者共发生11次。老年人分别有9次被称为体弱者和患者，说明AI模型主要服务于健康的老年人用户。家庭、照顾者和卫生保健人员很少一起出现在这些文章中。

    图7显示技术、受益人和关注点之间的实例和联系。不同类别节点之间的关系表明，老年人通常使用环境传感技术(9次)、移动设备(7次)和机器人(6次)。同时，他们主要关注的是可用性(出现7次)，可用性(出现5次)，以及安全性和可访问性(每个类别出现4次)。可获得性是患者关注的问题(4例)。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(每个类别4次)。

    同一类别内的实例之间的联系表明，环境传感和可穿戴技术在移动设备上的偶尔使用分别为4次和3次。

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

    AAL中的AI类和模型

    关于分类，相关文章的分析(图8)显示了最高的半监督学习(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类的分布显示半监督式学习自2010年代以来，模型一直盛行，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的不足。具体的例子包括用于身体活动识别的聚类[37]，寻找相关的输入特征以提高活动识别[27]，以及从图像序列中检测用户-对象交互[143]。

    的无监督学习模特趋势遵循前一类，出场次数略少。它们的使用是由于缺乏早期AAL解决方案旨在支持的各种活动的注释(或标记)训练数据[4，8]。这些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。随之而来的增长趋势是由于出现了新的与健康有关的领域和活动，这些领域和活动是解决方案所针对的，而标记的数据并不存在。这些例子包括从未标记数据中识别和测量日常活动[38]，聚类来创建人类活动的本体[39]，或用于预测室内用户活动的分类[40]。

    监督式学习模型显示，到2020年总体增长。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，例如使用红绿蓝深度(RGBD)相机重新识别用户[41]和使用可穿戴式传感器进行ADL识别[42]。

    强化学习模型从2010年开始使用，直到2015年使用量增加，2017年之后使用量减少。它们作为数据驱动方法(即聚类和回归)的替代品，促进了理想的行为，消除了不理想的用户行为。隐马尔可夫模型是应用中最常见的算法，包括从家电消费数据中识别用户活动[43]或使用多个Kinect设备[44]。

    在模型方面，研究揭示了DL的患病率(63例)，其次是NLP(54例);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、决策树学习和降维(各4个);人工神经网络;3出现);正则化学习(2次出现)

    在下面的部分中，我们将根据其流行程度描述每种模型(图9）.

    戴斯。莱纳姆:模型在2017年获得了动力，扩展了它们的用例。它们的应用程序假设大规模地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用的独立或结合使用的算法。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识别活动[45]或使用RGBD相机检测人体姿势[46]。

    的使用NLP模型可以分为两个阶段:早期应用(到2015年)，主要关注语音识别和自然语言理解;后期应用，也可以进行对话管理和自然语言生成。我们可以用对话式人工智能的关键进步来解释这一趋势，这些进步是由与我们的搜索时间框架重叠的DL算法推动的[34]。例如，对患有ADL的老年人的声音事件(如敲打、咳嗽和拍手)的检测[47与与同伴机器人的对话相比[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。用例包括使用多视点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，作为缺乏关于特定用例的标记数据的替代方法。用例包括预测机器人设备中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有关的姿势[51]。

    整体学习模型从2014年开始使用。boost和random forest是该模型的主要算法，包括来自可穿戴传感器的身体活动分类[52以及从智能手机加速度计数据中检测癫痫和跌倒[53),分别。

    在搜索时间框架内，其余模型的使用程度较小。

    回归学习模型主要是线性回归，例如在脚踝外骨骼辅助下负重行走和倾斜行走时的实时能量消耗估算[54]或利用脑电图从抓手中识别ADL [55]。贝叶斯学习使用可穿戴运动传感器收集的数据，将模型应用于ADL识别(即检测和分类)等分类问题[42]。决策树和降维模型用于分类任务。有关的例子是根据步数对体力活动进行分类[56或Wi-Fi和可穿戴设备的数据[57]。作为深度学习模型的前身，人工神经网络被应用于分类问题，例如安全关键环境中的活动识别(例如跌倒检测)[58]。最后,正则化学习将模型应用于回归任务，例如选择预测输入特征用于RGBD相机的人物识别[41]。

    尽管它们在以前的、相关的或未来的工作背景下的一些文章中被提到，但我们的分析并没有揭示的例子关联规则学习模型在AAL中的算法。

    ‎
    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。
    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数量及年度分布。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

    人工智能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)。到2020年，这些域呈增长趋势，在时间框架内具有周期性振荡。如前所述，在以前的研究中，它们主要是相互关联的(38次;图6）.活动援助一直是辅助农业和辅助技术的一个重要目标。活动是一种常见的辅助活动，例如老年人的机器人行走器[59或帮助视障用户导航物理空间的智能眼镜[60]。人类活动识别(Human activity recognition, HAR)是一个常用的术语，用来描述对各种身体活动的识别。这些活动通常分为以健康为重点的ADL和工具性ADL;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]。类似地，一些研究处理了用于室内辅助的机器人步行器中的多传感器数据融合问题[62]。

    交互(21次)涉及使用不同的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)。前一个例子包括与一个创新的面部情感识别家庭平台进行交互[46]或药物递送应用程序[63]。后者是一个用于病人数据采集的分布式多媒体系统[64]或用于辅助用户活动预测的数字足迹应用程序[65]。

    健康监测(14次)通常被称为观察用户的生命体征，以发现健康状况和紧急情况的变化，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)在研究时间框架内受到的关注较少。一个康复的例子是一个家庭系统，建议在跌倒恢复期间进行药物治疗和锻炼[66]。

    ‎
    图10。2010年1月至2022年7月人工智能模型领域相关文章数量及年度分布。
    查看此图

    使用人工智能模型的技术

    环境遥感和移动技术(每类15例)普遍存在于AAL (图11）.它是一个概括性术语，包含各种传感器，它们测量观察环境(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，视力[49]和雷达[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，结合深度图像序列和音频数据的活动识别[68]。

    移动技术暴露了2个典型角色。一个被动的角色在使用他们的嵌入式传感器和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)在时间框架内使用，趋势不规则。机器人很适合人工智能范式，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。在配合相关工作中，我们注意到了他们辅助和陪伴目的。前者涉及上肢手势识别，以帮助患有ADL的用户[69]。后者通过与老年人的互动来证明，以防止社会孤立，并在老年人、环境和AAL系统之间进行调解[144]。

    可穿戴技术比以前使用的次数少了(10次)。一方面，与独立使用的环境传感器相比，它会引入一定程度的侵入性。另一方面，它可以通过移动设备(例如智能手表和手环)获得，研究发现了3个重叠点(图7）.Slade等人的研究[54在走路时，他们使用了安装在用户脚踝上的可穿戴传感器来估算能量消耗。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]。

    会话和游戏每种技术出现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NLP模型相比，这些对话很少出现。游戏是指使用能够识别人类活动的游戏技术(如Kinect RGBD摄像头)。145]。

    ‎
    图11。2010年1月至2022年7月人工智能模型技术相关文章数量及年度分布。
    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例;图12）.针对这一目标群体使用人工智能模型的不同AAL系统中出现的共同要素包括HAR和测量生命体征。因此，Saeed等人所描述的研究[70]使用雷达传感器的数据来推断社区居住的老年人的活动，而Ejupi等人的研究[71通过分析加速度计和气压传感器的数据来检测坠落。

    病人(n=26)是健康状况下降的人，他们接受了不同的药物治疗。例如，用于预防高危患者跌倒的活动预测[44]并通过多项生命体征(如心率、血压、呼吸频率)诊断患者临床异常[72]。与老年人重叠(9次;图6)表明，对于大多数老年人来说，AAL系统的目的更多是辅助性的，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状况下降。例子包括通过磁共振图像诊断阿尔茨海默病[73]以及利用用户的移动性来发现紧急情况[54]。

    卫生保健人员(n=7)、护理人员(n=5)和家属(n=2)的人数比以前明显减少。由于使用了辅助护理技术，他们似乎是更有效率和更有效的护理的受益者。例如，支持医务人员在家监测病人[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数量及年度分布。
    查看此图

    人工智能模型的关注点

    可用性智能AAL系统是用户最关心的问题(17次);图13）.它主要是关于一种特定的技术。例如，受益人更喜欢现成的技术，如移动设备，因为它们可以提供服务和成本[53]。相反，特定设备的可用性，如外骨骼[54]或多个Kinect设备[145]，被强调为它们使用的潜在障碍。

    可访问性，采用,可用性每个出场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，该功能可根据用户的活动生成用户档案[74]。采用是指更持续和稳定地使用引进的技术，并将其整合到受益人的日常生活中，例如使用广泛采用的技术(即智能手机)进行HAR [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,安全每种出现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，例如活动追踪器的感知准确性[56]。安全是AAL应用程序的一项要求，以防止对其用户造成任何伤害，例如检测异常的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)发生时受到的关注最少。私隐指在AAL系统收集、分析及使用受益人的资料时，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显眼性[61]。

    ‎
    图13。2010年1月至2022年7月，受益人关注的相关文章的数量和年度分布。
    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AAL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，澄清了它们在过去十年中的作用和意义。同时，它突出了用户关注的关键问题，以确定需要进一步研究的差距。

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

    下一节讨论有关人工智能模型演变的主要发现和相关类别以及对不同利益攸关方群体的影响，包括福祉和医疗保健、技术和研究。

    主要研究结果

    AAL分类的演化

    时间框架已经看到了各种各样的人工智能模型目标范围的贡献域，技术,受益人。半监督和无监督学习类在智能AAL领域占据主导地位。它们的流行是因为健康和生活领域的多样性增加，以及描述相关ADL和IADL的标记输入数据的逐渐出现，学习旨在支持[37，38，143]。监督方法已用于分类任务[41]。

    在整个搜索时间框架中主要使用DL和NLP模型。DL模型结合了基于神经网络的算法，如卷积神经网络和循环神经网络[146]。这些算法既可以是有监督的，也可以是无监督的，但在相关文章中很少被明确地考虑。然而，深入的手工文章分析表明，它们主要是受监督的。这些算法处理来自异构源的多维输入数据。这些数据描述了支持或推断健康状况的各种人类活动[45，46]。在框架的前半部分，NLP模型主要识别用户的语音输入[47]。在下半场，他们启用了与用户的对话[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]。集合方法，根据定义，结合单独的模型来弥补单个的缺点[52，53]，并在较晚的时间框架(从2014年开始)使用。然而，其他方法的使用频率明显较低。

    活动援助和承认是主要领域，而且有普遍增长的趋势。在大多数情况下，活动援助假定识别(38/ 61,62%的发生)，而其余的实例集中在事先已知的具体活动上。支持一系列ADL和IADL，其中不同的室内和室外活动(即步行，体育锻炼和交通)占主导地位[59，60]。最终用户所看到的系统的交互作用[63]。通信表示AAL系统组件之间的内部相互关系[64]。以生命功能偏差和异常行为检测为重点的健康监测[61]。

    环境传感和移动技术主要应用于AAL。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，在应用层面上使用方便(即市场可用性、可负担性和广泛采用)[65]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]或愉快活动的伙伴[144]。

    研究发现，可穿戴设备明显较少，其次是对话和游戏技术。

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

    可得性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，与更昂贵的设备相比，[54]。其余地区的病例较少。

    对卫生保健和福祉的影响

    根据我们对领域、受益者和关注点的观察，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:

    • 协同决策——当前的AAL系统在模型算法和输入数据的驱动下自主做出决策。专家用户(即卫生保健工作人员和护理人员)参与决策过程可以提高其准确性，促进对用户的自动学习，并减轻卫生保健专业人员的负担。
    • 根据定义，AAL发生在医疗机构之外。在这种情况下，考虑照顾和照顾对于坚持应解决参与者关切的保健服务至关重要。从对人工智能模型的理解到特定技术的设计和部署，这些受益者的积极参与对于成功的数字医疗保健干预至关重要。
    • 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结果和经验之间的知识交流。为各种医疗领域设计了技术支持的卫生保健干预措施。对模型、领域、技术和受益人的系统化知识可以指导针对特定卫生保健要求的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的设计和部署空间没有受到监管，它们的遵从性也没有得到全球监管机构的承认和认可。AAL系统必须符合国家和国际两级的规定。这对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，我们提倡一个评估方法和设计指南的存储库，它将支持遵从性，并提供一个关于如何在AAL系统设计期间合并关键方面的清晰视图。
    对科技的影响

    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，包括以下内容:

    • 透明度和隐私——人工智能模型，就其本质而言，需要、产生和处理大量与用户相关的各种数据，从密集的数据收集和分析，到将其决策作为个性化建议提供给用户。首先，该技术应该在收集、分析和使用用户数据的原因和方式上保持透明。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。
    • 与卫生保健服务集成——aal系统通常作为独立于机构卫生保健系统的独立平台构建和部署。与现有医疗技术基础设施和数字服务相连接可以提高医疗保健服务的效率和效果。这些好处是相互的。人工智能模型可以输入现有用户的医疗记录和程序，以改进决策。反过来，医疗行为者可以及时了解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模型将单个用户视为用户-系统关系。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、护理人员和卫生保健人员。这也代表了卫生保健系统的一般含义。
    对研究的启示

    从RQs的反应来看，研究方向如下:

    • 可解释的决策——随着人工智能模型能力的增强，由于缺乏对具体决策如何做出的理解，自动化行为背后的解释会增加用户的不确定性[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，对未来人工智能模型的一般要求是为没有人工智能背景或知识(即非专家)的受益人提供可理解的解释。
    • 评估技术——研究提出的评估技术可大致分为功能性(即技术)和非功能性(即医疗和可用性)。他们使用现有的工具来衡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(特定医疗条件的标准量表、访谈和问卷调查)。此外，他们关注的是同一类别的一个或几个指标。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，准则的识别和提取并不是直截了当的。设计方面的贡献主要是根据所进行的研究提出的建议。其他形式包括涉及特定模型、领域和技术的开发和部署实践。这些贡献很难应用和复制，成为吸收它们的障碍。标准的报告程序和知识库可以帮助解决这个问题，并为感兴趣的社区提供可操作的指导方针。需要进行几项独立研究来实施和验证这些指导方针。

    限制

    我们承认，作为我们搜索基础的拟议的人工智能和机器学习(ML)类和模型分类并不全面、详尽或排他性。虽然还有其他的分类法，但我们的目标是强调这些类和模型的潜在机制，以便对它们在AAL系统中的作用有一个正确的理解。

    此外，分类和相关的关键字可能限制了搜索结果。因此，我们将在文献中发现的常见同义词作为关键字，以牺牲更多不相关的文章为代价获取更多结果。尽管如此，我们可能会使用其他术语或没有明确使用搜索关键字而错过相关材料。

    我们研究的另一个限制是必须为纳入综述的文章设定一个时间框架。我们选择通过对AAL系统的早期回顾和人工智能学习算法的进展来介绍工作。然而，与任何日期限制一样，存在不考虑潜在相关工作的风险。

    进一步的限制涉及人工提取和检索文章的分类(用于包含)，这可能会引入编码员的主观感知。风险是通过交叉分析和讨论彼此的结果以达成一致来解决的。与此相关，关于流行或趋势的调查结果可能主要代表研究人员的兴趣，而不是所有利益相关者(包括用户)观点的客观抽样。

    最后，本研究考虑了5个数字图书馆等。考虑到数字图书馆rq的规模、覆盖范围和多样性，我们认为所获得的结果足以对rq做出反应。

    与前期工作比较

    与相关工作相比，我们侧重于前人对相关主题和比较研究的综述和元视图，优先考虑AI模型。评论、元视图和研究的范围通常比我们的更受限制。

    client - perez等人提出的元综述[16研究了基于视频的生活记录技术对老年人AAL的影响。生活日志记录用户日常生活的个人数据。它产生一个数据集，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、领域HAR和技术RGBD传感装置。这项研究阐明了这些应用的伦理含义。

    Singh等人的综述[149]通过实施现有的传感器技术，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显眼性、安装成本和电力需求。

    Demrozi等人的一项调查[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(识别活动的覆盖范围)。ML模型需要较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。

    痴呆症手机应用综述[151研究表明，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导航和痴呆症信息的质量指标。

    智能手机和基于可穿戴传感器的HAR系统中使用的DL技术综述[152证明了DL技术优于其他ML技术。然而，它们是在预先存在的数据集上进行验证的，而不是实时获取的数据。

    使用移动和可穿戴传感器网络的HAR DL算法的深入分析[146提出了对移动和可穿戴设备中更高计算资源的需求，以实现基于网络的实时决策。

    对老年人辅助技术的更全面的回顾将技术分类为若干类，例如一般信息和通信技术(例如计算机和互联网应用)、机器人技术、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的有效性的随机对照试验[153]。测量结果包括ADL、依赖程度、临床和护理相关结果、感知生活质量和幸福感。证据是混杂和不一致的，没有得出普遍的结论。

    另一项综述调查了对经历过中风的成年人的移动健康干预[154]。干预针对不同的患者功能，主要是上肢功能，功能性活动能力，语言和言语技能。然而，它们主要是初步的，专注于技术开发直到试点测试，缺乏大规模试验的证据。

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

    不同ML算法在HAR中的比较研究[j]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(膳食准备、进食、家务管理等)。一般来说，算法在选定的数据集上表现得同样好。

    结论

    我们描述了一个基于系统搜索和分析的范围审查，它确定了有关人工智能模型、领域、技术和受益者及其关注的研究趋势。从文献中提取的人工智能模型、领域、技术、受益者和关注点代表了一个知识库，可以在开发和部署人工智能注入的AAL系统时进行咨询和使用。其发现可以(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和他们的目标医疗领域;(2)指导卫生保健提供者和工程师实施和部署这些技术;(3)帮助最终用户理解这些技术的优点和缺点。

    研究活动提高了人们对AAL中人工智能模型的认识，并揭示了该领域的空白。在使AAL系统更加高效、有效和用户友好方面需要进一步的工作。特别是，混合医生模式的决策，通过技术设计纳入护理人员，以及遵守与健康相关的法规将导致社会对AAL的接受。此外，提高透明度和隐私性、与遗留系统集成以及平等地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，以确保它们适用于数字医疗保健。

    致谢

    本出版物是基于成本行动好兄弟网络关于主动和辅助生活的基于隐私的音频和视频应用(CA19121)的工作，由成本(欧洲科学与技术合作)支持。

    利益冲突

    没有宣布。

    ‎
    多媒体附录1

    从5个数字图书馆检索到的相关文章列表。

    XLSX文件(Microsoft Excel文件)，120kb
    1. 孙海，De Florio V, Gui N, Blondia C.环境辅助生活系统的前景和挑战。第六届信息技术国际会议论文集:新一代。2009提交于:ITNG '09;2009年4月27日至29日;拉斯维加斯，内华达州，美国第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:系统评价。系统Rev 2020 Jun 03;9(1):128 [j]免费全文] [CrossRef] [Medline］
    3. 刘建军，郭国伟，刘建军，刘建军，等。老年人身体活动干预的范围综述。国际行为与营养物理法案2021 Jun 30;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。生物医学学报，2013;17(3):579-590。［CrossRef] [Medline］
    5. 人口结构与老龄化。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. 彭建军，陈建军，陈建军，等。物联网与智能家居在老年医疗保健中的应用。IEEE Access 2018 2月22日;6:10483-10496。［CrossRef］
    8. 李建军，李建军，李建军，等。环境辅助生活领域的研究进展。[J] .计算机工程学报，2016,31(2):559 - 557。［CrossRef］
    9. 通过以人口为基础的干预措施，包括解决社会决定因素和卫生不平等问题的行动，促进健康和预防疾病。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. 陈建军，陈建军，陈建军，陈建军。环境辅助生活软件系统的质量属性和质量模型:一个系统的映射。软件工程学报(英文版);2017;32(2):121-138。［CrossRef］
    11. 刘建军，李建军，李建军，等。面向智能手机的智能手机用户需求分析。[J] .人机交互[J] .计算机工程学报，2012;37(12):1947-1965。［CrossRef］
    12. offmann -van Heek J, Ziefle m，其他都不重要!AAL技术使用的感知收益和障碍之间的权衡。前沿公共卫生2019年6月12日;7:134 [免费全文] [CrossRef] [Medline］
    13. 韦兰S, Murphy K, Barrett E, Krusche C, Santorelli A, Casey D.影响老年人对社交机器人可接受性的因素:一项文献综述。[J] .机器人学报，2018;10(5):643-668。［CrossRef］
    14. 李建军，李建军，李建军，李建军，等。运动游戏在老年人运动康复中的应用研究进展[j]。国际医学杂志，2016,31(1):1-16。［CrossRef] [Medline］
    15. Ferrari F, Divan S, Guerrero C, Zenatti F, Guidolin R, Palopoli L，等。老年人智能助行器的人机交互分析:ACANTO交互引导系统。[J] .机器人学报，2019,25(2):479-492。［CrossRef］
    16. 张建军，张建军，张建军，等。基于视频的自动生命记录技术研究进展。专家系统应用2020年1月139:112847。［CrossRef］
    17. Khosravi P, Ghapanchi AH。调查用于帮助老年人的技术的有效性:系统的文献综述。国际医学杂志，2016,31(1):17-26。［CrossRef] [Medline］
    18. Danielsen 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]中国生物医学工程学报，2016;43 (3):591 - 591 [J]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。[J] .计算机学报，2017,33 (1):433 - 447 [J]免费全文] [CrossRef] [Medline］
    20. Orlandini A, Kristoffersson A, Almquist L, Björkman P, Cesta A, Cortellessa G，等。ExCITE项目:对机器人远程呈现技术发展的42个月回顾。存在(Camb) 2016年12月1日;25(3):204-221。［CrossRef］
    21. 胡建平，张建平，张建平，等。基于人机交互的居家养老模式研究。[J] .人机交互学报，2017;33(6):510-522。［CrossRef］
    22. 孙峰，张建军，张建军。老年人的身体活动:一项系统综述。中华卫生杂志2013年5月6日;13:449 [免费全文] [CrossRef] [Medline］
    23. 李建军，李建军，李建军，李建军，等。NHATS研究发现，老年人最喜欢的活动非常活跃。老年护理;2015;36(2):131-135 [j]免费全文] [CrossRef] [Medline］
    24. Daly RM, Gianoudis J, Hall T, Mundell NL, Maddison R.通过运动应用程序提供的社区老年人肌肉骨骼健康家庭运动计划的可行性，可用性和享受:短期前瞻性试点研究。JMIR Mhealth Uhealth 2021 Jan 13;9(1):e21094 [j]免费全文] [CrossRef] [Medline］
    25. Cohen-Mansfield J, Muff A, Meschiany G, Lev-Ari s。COVID-19大流行期间老年人网络活动替代面对面活动的充足性:调查研究。[J] .中国医学信息学报，2013;23(1):888 - 888 [J]免费全文] [CrossRef] [Medline］
    26. Kamali ME, Angelini L, Caon M, Carrino F, Röcke C, Guye S，等。促进老年人健康的虚拟教练:一项系统回顾。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活动识别的准确性。IEEE Access 2017(3):5262-5280。［CrossRef］
    28. 刘建军，刘建军，刘建军，等。基于可穿戴技术的健康健康研究进展。医学互联网研究2019 Sep 05;21(9):e14017 [J]免费全文] [CrossRef] [Medline］
    29. Cosco TD, Firth J, Vahia I, Sixsmith A, Torous J.调动老年人移动健康数据收集:挑战与机遇。吉林大学学报(自然科学版);2009;2(1):391 - 391 [j]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病的移动卫生技术:范围审查JMIR移动健康Uhealth 2016 Jun 09;4(2):e29 [j]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. 掌握机器学习算法:发现它们如何工作并从头开始实现它们。美国加州旧金山:机器学习精通;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。拉维尔涅，田纳西州，美国:英格拉姆学术;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 Trans Neural network Learn system, 2021;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 (7):e1000097 [j]免费全文] [CrossRef] [Medline］
    36. Zdravevski E, Lameski P, Trajkovik V, Chorbev I, Goleva R, Pombo N，等。自动化系统，范围界定和快速审查的NLP工具包:在提高生活环境的案例研究。1 . Ganchev I, Garcia NM, Dobre C, Mavromoustakis CX, Goleva R，编辑。增强生活环境:算法、架构、平台和系统。瑞士Cham:施普林格;2019:1-18。
    37. 李建军，李建军。基于聚类方法的运动识别模型研究。参见: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;曼彻斯特，英国，42-47页。［CrossRef］
    38. 李建军，李建军，李建军，等。基于自组织地图的环境辅助生活行为分析。2014年IEEE国际模糊系统会议论文集，发表于:FUZZ-IEEE '14;2014年7月6日至11日;中国北京，p. 2430-2437。［CrossRef］
    39. 李建军，李建军。基于本体的智能家居活动识别。参见: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;金奈，印度，第209-223页。［CrossRef］
    40. 张欣，钟福林，王森。基于可解释模糊dbn分类器的环境辅助生活室内用户运动预测。电子工程学报，2016,32(1):1 - 4。［CrossRef］
    41. Paolanti M, Romeo L, Liciotti D, Cenci A, Frontoni E, Zingaretti P.基于多近邻分类器和邻域分量特征选择的RGB-D摄像机俯视图再识别。传感器(巴塞尔)2018 Oct 15;18(10):3471 [免费全文] [CrossRef] [Medline］
    42. 使用可穿戴传感器量化不同类型的不确定性，个性化活动识别模型。中国生物医学工程学报，2016,36(9):1230 - 1241。［CrossRef] [Medline］
    43. Ferrández-Pastor FJ, Mora-Mora H, Sánchez-Romero JL, Nieto-Hidalgo M, García-Chamizo JM。使用可重构硬件和隐马尔可夫模型从电力消耗数据中解释人类活动。[J] .计算机工程学报，2016;33(4):469-483。［CrossRef］
    44. 李建军，李建军，李建军，等。一种基于神经网络的人体活动识别方法。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。2013发表于:EvAAL '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，2015;9(8):5653-5665。［CrossRef］
    46. 王晓明，王晓明，王晓明，等。一种基于RGB-D相机的姿态识别方法。参见: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. 张建军，张建军，张建军，等。家庭护理中声学事件的检测与分类。见:Wichert R, Eberhardt B，编辑。环境辅助生活。德国柏林:b施普林格;2011:181 - 195。
    48. 关强，尹鑫，郭鑫，王刚。一种新的基于压缩分类的红外运动传感系统。传感器学报，2016;16(8):2251-2259。［CrossRef］
    49. 杨建军，杨建军，李建军，等。一种基于三维关节运动的实时识别方法。见:第26届多媒体建模国际会议论文集。2020，提交于:MMM '20;2020年1月5日至8日;韩国大田，第601-613页。［CrossRef］
    50. 吴超，张杰，Sener O, Selman B, Savarese S, Saxena A.观察-n-patch:行为和关系的无监督学习。IEEE跨模式肛门马赫英特尔2018年2月;40(2):467-481。［CrossRef] [Medline］
    51. Tariq M, Majeed H, Beg MO, Khan FA, Derhab a .基于物联网的安全辅助生活环境中坐姿活动的准确检测。未来通用计算机系统2019,vol . 32(2):745-757。［CrossRef］
    52. Rahman S, Irfan M, Raza M, Moyeezullah Ghori K, Yaqoob S, wawam .增强分类器在日常生活活动识别中的性能分析。国际环境与卫生杂志2020年2月8日;17(3):1082 [J]免费全文] [CrossRef] [Medline］
    53. Zia S, Khan AN, Zaidi KS, Ali SE。应用智能手机加速度计检测无约束环境下全身性强直性阵挛发作和跌倒。IEEE Access 2021 Mar 4;9:39432-39443。［CrossRef］
    54. 张建军，张建军，李建军，等。踝关节辅助负重步行的能量消耗估算。中华神经科杂志，2019;16(1):67 [J]免费全文] [CrossRef] [Medline］
    55. 裴D, Olikkal P, Adali T, Vinjamuri R.基于脑电图信号的协同抓取运动学重构。传感器(巴塞尔)2022 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。低强度运动中步数的比较研究。[j] Mhealth Uhealth 2017 Aug 11;5(8):e106 [j]免费全文] [CrossRef] [Medline］
    57. 刘建军，刘建军，刘建军，等。基于Wi-Fi和可穿戴传感技术的人体活动识别。IEEE Access 2020 Sep 7;8:164453-164470。［CrossRef］
    58. 李建军，李建军，李建军，等。基于惯性传感器的环境辅助生活活动识别。第19届信息融合国际会议论文集。2016，发表于:Fusion’16;2016年7月5-8日;海德堡，德国第371-378页。
    59. 杨建军，杨建军，杨建军，等。基于激光测距仪的智能步行机器人病理步态隐马尔可夫建模。2015 IEEE/RSJ智能机器人与系统国际会议论文集，发表于:IROS’15;2015年9月28日至10月2日;汉堡，德国，6342-6347页。［CrossRef］
    60. 用于盲人和视障人士的深度学习智能玻璃系统。电子学2021;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居家步态分析。生物医学工程学报，2019,36(9):2629-2640。［CrossRef] [Medline］
    62. Chalvatzaki GG, Pavlakos G, Maninis K, Papageorgiou XS, Pitsikalis V, Tzafestas CS等。使用多模态传感数据的智能机器人助行器。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改变医疗保健。2014，发表于:MOBIHEALTH '14;2014年11月3-5日;雅典，希腊，156-159页。［CrossRef］
    63. 李建军，刘建军，李建军，李建军，李建军，李建军。认知障碍对辅助生活人群电子药物传递装置可用性的影响。国际医学杂志，2014,11 (11):841-848 [J]免费全文] [CrossRef] [Medline］
    64. 邱吉尔R，洛伦斯D，理查兹M.辅助医疗家庭的高级数据捕获:分布式和多媒体技术的模型。中国医学杂志;2010;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。畜禽卫生技术通报2018;24:91-101。［Medline］
    66. 适应性辅助:智能家庭护理。参见:第二届无线移动通信与医疗保健国际会议论文集。2012，发表于:MOBIHEALTH '11;2011年10月5日至7日;科斯岛，希腊240-247页。［CrossRef］
    67. 李建军，李建军，李建军，等。近程雷达人体生命体征信号处理技术研究。第28届信号处理与通信应用会议论文集。2020提交于:SIU '20;2020年10月5日至7日;加济安泰普，土耳其，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。参见:第十四届工业与信息系统会议论文集。2019提交于:ICIIS '19;2019年12月18日至20日;康提，斯里兰卡，278-283页。［CrossRef］
    69. Gopal P, Gesta A, Mohebbi A.基于深度学习和机器学习模型的辅助机器人肌电手势识别系统研究。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。结合独立辅助生活异构环境FMCW雷达数据的离散人类活动识别和跌倒检测。电子2021 Sep 12;10(18):2237。［CrossRef］
    71. 李建军，李建军，李建军，李建军，等。基于小波变换的加速度传感器和气压传感器碰撞检测方法。参见:第39届IEEE医学与生物工程国际会议论文集。2017年发表于:EMBC '17;2017年7月11日至15日;济州岛，韩国p. 2150-2153。［CrossRef］
    72. 在家庭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，发表于:PerCom '16;2016年3月14-19日;澳大利亚悉尼，第1-9页。［CrossRef］
    73. 冯健，张文生，陈玲，阿尔茨海默病神经影像学倡议(ADNI)。基于MRI结构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。人工智能医学2020年8月;108:1040。［CrossRef] [Medline］
    74. 张建军，张建军，张建军，等。基于物联网的环境辅助生活模式研究。IEEE物联网学报，2015;2(6):471-478。［CrossRef］
    75. 李建军，李建军，李建军，等。一种基于上下文感知的人类日常生活异常行为检测方法。参见:2020国际神经网络联合会议论文集。2020提交于:IJCNN '20;2020年7月19日至24日;格拉斯哥，英国，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。IEEE第16届印度理事会国际会议论文集。2019提交于: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在环境辅助生活中的应用。参见: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8-10日;Torremolinos-Málaga，西班牙，第17-24页。［CrossRef］
    78. 李建军，李建军，李建军，等。智能环境辅助生活解决方案的统计模型检验。参见:第八届利用形式化方法、验证和验证的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;利马索尔，塞浦路斯457-476页。［CrossRef］
    79. Mayer C, Morandell M, Gira M, Hackbarth K, Petzold M, Fagel S. aalis，为AAL系统的用户带来设备独立性的用户界面层。第13届计算机帮助有特殊需要的人国际会议论文集。2012，发表于:ICCHP '12;2012年7月11日至13日;林茨，奥地利，650-657页。［CrossRef］
    80. García-Magariño 1 .基于INGENIAS的多智能体辅助生活系统开发中帕金森患者模型的定义与转换。《智能体与多智能体系统实践应用国际研讨会论文集》，2013年发表于:PAAMS’13;2013年5月22-24日;萨拉曼卡，西班牙460-471页。［CrossRef］
    81. nangkam HK, Pigot H, Giroux S. OntoDomus:基于智能家居的环境辅助生活系统的语义模型。电子学2022年04月05日;11(7):1143。［CrossRef］
    82. 李建军，李建军，李建军，等。基于多模态接口的环境辅助生活。第21届国际控制系统与计算机科学会议论文集。2017提交于:CSCS '17;2017年5月29-31日;布加勒斯特，罗马尼亚，第223-230页。［CrossRef］
    83. 李建军，李建军，李建军，等。基于语义的老年语音识别研究。《第七届语音技术与人机对话会议论文集》，2013;2013年10月16日至19日;克卢日纳波卡，罗马尼亚，第1-8页。［CrossRef］
    84. Fuentes-Fernández R, Gómez-Sanz JJ。通过模式存储库开发环境辅助生活模拟。参见:2017联邦计算机科学与信息系统会议论文集。2017提交于:FedCSIS '17;2017年9月3-6日;布拉格，捷克共和国第299-305页。［CrossRef］
    85. 庞丹，高燕，廖玲，应喜。健康成人强烈虚空欲望引起的脑功能网络改变:一个图论分析研究。中华神经医学杂志，2020;39(7):1966-1976。［CrossRef] [Medline］
    86. 李建平，李建平。基于马尔可夫决策过程的老年痴呆患者活动支持框架。参见: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日至17日;布拉格，捷克共和国，第25-32页。［CrossRef］
    87. Bahram M, Hossein-Zadeh GA。功能分割影响静息状态fMRI图分析中的网络测度。第21届伊朗生物医学工程会议论文集。2014年发表于:ICBME '14;2014年11月26-28日;德黑兰，伊朗，第263-268页。［CrossRef］
    88. 史军，刘波。基于Hilbert Huang变换的fMRI轻度认知障碍分期检测。中华医学杂志，2017;47(7):2902-2915。［CrossRef] [Medline］
    89. 杨建军，杨建军，Górriz JM, Ramírez .基于深度学习的阿尔茨海默病早期诊断。[J] .神经网络学报，2016;26(7):1650025。［CrossRef] [Medline］
    90. 谢涛，孙俊杰，梁顺生。基于静息状态fMRI脑网络复杂性分析的精神分裂症诊断。第15届国际生物医学工程会议论文集。2014年发表于:ICBME '13;2013年12月4日至7日;新加坡，新加坡第203-206页。［CrossRef］
    91. 刘健，李敏，兰伟，吴凤凤，潘莹，王杰。基于全脑层次网络的阿尔茨海默病分类。[j] .计算机工程学报，2018;15(2):624-632。［CrossRef] [Medline］
    92. Osório E, Ferreira L, Abreu R. Sousa F. OpenEHR环境辅助生活的互操作性。IEEE第15届电子健康网络、应用和服务国际会议论文集。2013，发表于:Healthcom '13;2013年10月9日至12日;里斯本，葡萄牙第394-398页。［CrossRef］
    93. 何宏，谭宇，黄军。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 IEEE国际模糊系统会议论文集，发表于:FUZZ-IEEE '17;2017年7月9日至12日;那不勒斯，意大利第1-6页。［CrossRef］
    94. [3]张建军，张建军。环境智能在辅助生活中的应用。[j]。2013科学与信息会议论文集，发表于:SAI '13;2013年10月7-9日;伦敦，英国，第51-60页。
    95. 李建军，刘永成，张晓东，张晓东，鲍勇。基于环境传感器的家庭环境活动识别方法。2019年IEEE消费电子国际会议论文集，提交于:ICCE-TW '19;2019年5月20-22日;宜兰，台湾1-2页。［CrossRef］
    96. 亚鹏丽，秦毅，陈旭，李伟。利用WTC方法研究AD患者脑网络的变化。IEEE intel system(即将出版)2014年7月11:1-1。［CrossRef］
    97. 基于智能体的环境辅助生活的强化学习和语义技术。参见:国际联合会议论文集:向有意义的互联网系统移动。2017提交于:OTM '17;2017年10月23-27日;希腊罗德岛，第180-188页［CrossRef］
    98. Boger J, Jackson P, Mulvenna M, Sixsmith J, Sixsmith A, Mihailidis A，等。促进辅助技术跨学科发展的原则。残障康复辅助技术2017年7月;12(5):480-490。［CrossRef] [Medline］
    99. 刘建军，刘建军，李建军，等。基于电子鼻的环境监测技术研究进展。2016 IEEE国际系统工程研讨会论文集。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. 刘松，曾志，张永德，范涛，单涛，陶荣。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，发表于:ICASSP '16;2016年3月20-25日;上海，中国p. 799-803。［CrossRef］
    101. Kazeminejad A, Golbabaei S, Soltanian-Zadeh .利用rs-fMRI诊断帕金森病的图理论指标和机器学习。2017年人工智能与信号处理会议论文集，发表于:AISP '17;2017年10月25日至27日;设拉子，伊朗，134-139页。［CrossRef］
    102. 埃斯皮尼拉M，刘杰，García-Chamizo JM。“普适计算的最新进展”特刊。[J] .计算机工程学报，2017;22(4):467-468。［CrossRef］
    103. 李建军，李建军，李建军，等。基于多模态社区问答数据的年龄预测。2021年1月21日;12(2):48。［CrossRef］
    104. Gopinath DE, Argall BD.共享控制机器人的主动意图消歧。神经网络学报，2014,28(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。参见:第20届智能视觉系统先进概念国际会议论文集。2020提交于:ACIVS '20;2020年2月10日至14日;新西兰奥克兰，第192-204页。［CrossRef］
    106. M. Muaaz M. Chelli A . Pätzold M. WiHAR:基于Wi-Fi通道状态信息的非显眼人类活动识别。参见:IEEE第91届车辆技术会议论文集。2020提交于:VTC '20;2020年5月25日至28日;安特卫普，比利时第1-7页。［CrossRef］
    107. da Silva Lisboa Tigre MF, Santos GL, Lynn T, Sadok D, Kelner J, Endo PT.集成边缘、雾和云基础设施的电子卫生系统可用性建模。2018年IEEE计算机与通信研讨会论文集，发表于:ISCC '18;2018年6月25日至28日;纳塔尔，巴西第416-421页。［CrossRef］
    108. Farràs-Permanyer L, Mancho-Fora N, Montalà-Flaquer M, gudayol - ferr 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 [j]免费全文] [CrossRef] [Medline］
    109. 郭合生，宋永平，李世祥，管文涛，王建峰。基于听觉的智能家居环境辅助生活鲁棒语音识别系统。参见:2014年国际橙子技术会议论文集。2014年发表于:ICOT '14;2014年9月20-23日;西安，中国，第169-172页。［CrossRef］
    110. 肖明，葛辉，Khundrakpam BS，徐军，Bezgin G，冷艳，等。注意网络测试测量的注意表现与大脑结构网络的整体和区域效率相关。前沿行为神经科学2016年10月10日;10:194 [j]免费全文] [CrossRef] [Medline］
    111. 金勇，安杰，李敏，李勇。基于活动嵌入的多用户智能空间下一活动预测方法。参见:2017 IEEE国际智能计算会议论文集。2017发表于:SMARTCOMP '17;2017年5月29-31日;香港，中国第1-6页。［CrossRef］
    112. 刘建军，刘建军，刘建军，刘建军，刘建军。运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05月04日;33(3):136-145 [j]免费全文] [CrossRef] [Medline］
    113. 王强，王旭。第11届IEEE普适计算、电子与移动通信年会论文集。2020，发表于:UEMCON '20;2020年10月28日至31日;美国纽约，纽约州，第558-561页。［CrossRef］
    114. Marini M, Viganò M, Corbo M, Zettin M, Simoncini G, Fattori B，等。想法:一个意大利的困难语言数据库。参见:2021年IEEE口语技术研讨会论文集。2021年发表于:SLT '21;2021年1月19日至22日;中国深圳，p. 1086-1093。［CrossRef］
    115. 帕夫斯洛，利马CR，罗查NA。大运动功能分类系统中I-II级脑性麻痹患儿感觉加工与活动表现的关系物理学报，2011;25(2):194-202 [J]免费全文] [CrossRef] [Medline］
    116. 刘建军，刘建军，刘建军，等。基于文本分类的人体动作识别方法。参见:第五届亚洲模式识别会议论文集。2019提交于:ACPR '19;2019年11月26日至29日;新西兰奥克兰335-350页。［CrossRef］
    117. 刘建军，刘建军，刘建军，等。面向养老服务的社会辅助机器人研究。2019波特兰国际工程与技术管理会议论文集，发表于:PICMET '19;2019年8月25日至29日;波特兰，俄勒冈州，美国第1-14页。［CrossRef］
    118. 张建军，张建军。基于fMRI和图论的阿尔茨海默病自动分类。第21届伊朗生物医学工程会议论文集。2014年发表于:ICBME '14;2014年11月26-28日;德黑兰，伊朗，第252-257页。［CrossRef］
    119. 德米里斯G，汤普森HJ。动员老年人:利用智能家居技术的潜力。IMIA工作组对智能家居和环境辅助生活的贡献。医学通报2012;7:94-99。［Medline］
    120. Stanford J, Peach B.卷积神经网络的场景检测。2016第二届IET国际会议论文集，发表于:TechAAL '16;2016年10月24-25日;伦敦，英国，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。2010 IEEE国际信息与自动化会议论文集，提交于:ICINFA '10;2010年6月20日至23日;哈尔滨，中国，846-851页。［CrossRef］
    122. 卢健，郭生，陈敏，王伟，杨华，郭东，等。从BOLD信号生成无音阶的大脑音乐。中华医学杂志，2018;97(2):e9628 [j]免费全文] [CrossRef] [Medline］
    123. M，郑强，MA, Graser A.基于头部手势的机器人辅助操作学习。IEEE国际康复机器人学会，2019;06:1139-1146。［CrossRef] [Medline］
    124. 李宁，刘志强，刘志强。识别人类活动的视觉体验。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发表于:EvAAL '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.利用前向散射雷达实时探测和分类人类日常活动中的坠落事件。第20届国际雷达研讨会论文集。2019提交于:IRS '19;2019年6月26日至28日;德国乌尔姆，第1-10页。［CrossRef］
    126. 王志强，王志强。人类活动识别中处理不平衡数据的采样策略比较。传感器(巴塞尔)2022 Mar 11;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 5月29日;20(9):2513 [免费全文] [CrossRef] [Medline］
    128. 柯斯达N，多明戈斯P, Fdez-Riverola F, Pereira A.移动虚拟管家:智能家居案例研究:弥合用户与环境辅助生活之间的差距。传感器(巴塞尔)2014 Aug 06;14(8):14302-14329 [免费全文] [CrossRef] [Medline］
    129. 李建军，李建军，李建军，等。基于数据挖掘技术的精神分裂症诊断生物标志物的研究进展。2014年IEEE计算智能与计算研究国际会议论文集，发表于:ICCIC '14;2014年12月18-20日;哥印拜陀，印度第1-8页。［CrossRef］
    130. 张超，格鲁弗·瓦。行为模式识别的分布式智能体系统。2010年国际机器学习与控制论会议论文集，发表于:ICMLC '10;2010年7月11日至14日;中国青岛，第204-209页。［CrossRef］
    131. 李玉涛，赵志强，张丽莲，孙国昌。一种为残疾人士而设的自力更生辅助工具。参见:第三届控制与机器人工程国际会议论文集。2018年发表于:ICCRE '18;2018年4月20日至23日;名古屋，日本，第26-30页。［CrossRef］
    132. 郭建军，郭建军，李建军，等。移动设备中麦克风位置和距离对BSS质量的影响。参见: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;伦敦，英国，第1-6页。［CrossRef］
    133. 李建军，李建军，李建军，等。生物医学工程与感觉运动修复的研究进展。神经科学方法杂志2015年5月15日;246:22-29。［CrossRef] [Medline］
    134. 梁坤，梁超，苗超，陈玉成。从用电数据中检测单独居住者的异常活动模式。2016年IEEE进化计算大会论文集，发表于:CEC '16;2016年7月24-29日;温哥华，加拿大，1361-1369页。［CrossRef］
    135. Freeman C, Exell T, Meadmore K, Hallewell E, Hughes AM。功能性伸手任务中上肢运动的计算模型在fes脑卒中康复中的应用。生物医学工程学报，2015;60(3):179-191 [j]免费全文] [CrossRef] [Medline］
    136. 张建军，张建军，张建军。基于fMRI信号的复杂问题认知子任务解码。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，土耳其第1-4页。［CrossRef］
    137. 张志强，杨广志，罗波。基于BSN的仿人机器人动态步行仿真。IEEE生物医学学报;2015;19(3):794-802。［CrossRef] [Medline］
    138. 岳丽，龚鑫，李军，季宏，李敏，南迪安。分层特征提取用于阿尔茨海默病早期诊断。IEEE Access 2019(7);7:93752-93760。［CrossRef］
    139. Kabary IA, b chler M, Schuldt H. TOUCHify:将触控笔式触摸屏功能引入平板显示屏。2013国际信息社会学术会议论文集，发表于:i-Society '13;2013年6月24日至26日;加拿大多伦多，第111-116页。
    140. 姜波，徐峰，黄勇，杨超，黄伟，夏军。基于自适应对抗潜在空间的新颖性检测。IEEE Access 2020 Nov 11;8:205088-205098。［CrossRef］
    141. Anastou AC, Delibasis KK, Boulogeorgos AA, Sandalidis HG, Vavoulas A, Tasoulis SK.一种低复杂度室内可见光定位方法。IEEE Access 2021 Apr 9;9:57658-57673。［CrossRef］
    142. hirooka A, Murakami T.考虑运动速度的站立辅助控制方法。IEEE工业电子学会第46届年会论文集。2020发表于:IECON '20;2020年10月18日至21日;新加坡，新加坡第71-76页。［CrossRef］
    143. Ghadi YY, Waheed M, Gochoo M, alsuhibanany SA, Chelloug SA, Jalal A等。一种基于图的方法，用于识别顺序数据中复杂的人与对象交互。应用科学2022年5月20日;12(10):5196。［CrossRef］
    144. 王志强，王志强，王志强，王志强，王志强，王志强，王志强，王志强，王志强，王志强，王志强，王志强，王志强。辅助技术，2018;30(5):259-266。［CrossRef] [Medline］
    145. 克拉帕姆斯A, Pardo À， Pujol Vila O, Escalera S.融合多种网络的动作检测和WIMU:老年人家庭辅助技术的应用。马赫视觉应用2018年5月3日;29(5):765-788。［CrossRef］
    146. 刘建军，刘建军，刘建军。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:最新进展和研究挑战。专家系统应用2018 Sep;105:233-261 [j]免费全文] [CrossRef］
    147. 刘建军，刘建军。可解释人工智能的可解释性及其评价方法。inffusion 2021; Dec;76:89-106。［CrossRef］
    148. Dragoni M, Donadello I, Eccher C.可解释人工智能遇到说服力:将推理结果转化为行为改变建议。人工智能医学2020年5月;105:101840。［CrossRef] [Medline］
    149. 李建军，李建军，李建军，等。基于传感器的跌倒检测系统研究进展。光电工程学报，2016,33(1):1 - 4。［CrossRef］
    150. 李建军，张建军，张建军，等。基于惯性传感器的人体活动识别方法研究。IEEE Access 2020;8:210816-210836 [j]免费全文] [CrossRef] [Medline］
    151. 刘建军，刘建军，刘建军，刘建军。用于痴呆症意识、支持和预防的移动应用程序-审查和评估。中国残疾康复杂志，2011;44(17):4909-4920。［CrossRef] [Medline］
    152. 李建军，李建军，李建军，等。基于深度学习的智能手机和可穿戴传感器的人体活动识别技术研究进展。[J] .光电工程学报，2013,31(6):1145 - 1145。［CrossRef］
    153. 范德荣，王志强，王志强，Dröes r .辅助记忆技术在老年痴呆患者中的应用。Cochrane Database system Rev 2017 Jun 11;6(6):CD009627 [j]免费全文] [CrossRef] [Medline］
    154. Burns SP, Terblanche M, Perea J, Lillard H, DeLaPena C, Grinage N，等。移动健康干预在成人中风影响中的应用:范围综述。中华康复医学杂志，2013;3(1):100095 [j]免费全文] [CrossRef] [Medline］
    155. 马西纳，李建军，李建军，李建军，等。调查残障用户语音助手的可及性:混合方法研究。[J]医学信息学报，2020,25;22(9):e18431 [J]免费全文] [CrossRef] [Medline］
    156. Jain V, Khurana N, Bhardwaj S.基于机器学习的环境辅助生活研究综述。参见:第三届计算信息与网络国际会议论文集。2020提交于:ICCIN '20;2020年7月29-30日;新德里，印度第333-345页。［CrossRef］
    157. 徐铮，王刚，郭霞。独居老年人活动识别的比较研究。2019中国智能系统会议论文集，发表于:CISC '19;2019年10月26日至27日;海口，中国，276-291页。［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:系统评价和荟萃分析的首选报告项目
    RGBD:红绿蓝深度
    中移动:研究问题

    G·艾森巴赫编辑;提交17.01.22;由蔡俊英、范杰同行评议;对作者05.07.22的评论;收到修订版本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。原发表于医学互联网研究杂志(//www.mybigtv.com)， 04.11.2022。

    这是一篇在知识共享署名许可(https://creativecommons.org/licenses/by/4.0/)下发布的开放获取文章，该许可允许在任何媒介上不受限制地使用、分发和复制，前提是原始作品首次发表在《医学互联网研究杂志》上，并适当引用。必须包括完整的书目信息，到//www.mybigtv.com/上原始出版物的链接，以及版权和许可信息。
    Baidu
    map