Multi-Sensor-Fusion方法Data-Science-Oriented预防性健康管理系统:概念和发展一个分散的异构数据源的数据收集方法

文摘

预防和职业医学的调查往往是基于数据的采集客户的日常生活。这需要方便的测量解决方案,包括生理、心理、身体,有时情感参数。本文引入分散multi-sensor-fusion预防健康管理系统的方法。其目的是提供一个灵活的移动数据收集平台,可用于许多不同的卫生保健相关的应用程序。可以集成不同的异构数据源和测量数据准备和转移到主要污染源data-science-oriented云解决方案。提出了新颖的方法关注不同移动数据源的集成和融合在移动数据采集系统(mdc)。这包括直接耦合的无线传感器设备,间接耦合设备提供数据集通过特定于供应商的云解决方案(例如,Fitbit美国旧金山诺基亚埃斯波,芬兰)和问卷调查获得主观和客观参数。mDCS函数作为一个特定于用户的接口适配器和数据集中器分散从data-science-oriented处理云。低级数据融合mDCS包括同步的数据源,个人选择所需的数据集和预处理程序的执行。因此,mdc增加处理云计算和结果的可用性也更高层次的数据融合过程。发达系统可以很容易地适应不断变化的医疗保健应用程序通过使用不同传感器的组合。复杂的处理数据分析可以提供支持和干预措施。

1。介绍

1.1。项目:p²健康

预防医学的应用措施(包括职业健康和社会医学)主要是个人收购物理、生理和心理上的数据是必需的。因此,需要全面的远程控制系统,它允许客户相关数据的测量在平时的日常工作(例如,在工作中,在休闲时间,在体育,在夜间)。为了得到真实的和一成不变的反馈,测量影响的最小化客户是一个非常重要的因素。必需的参数的选择很大程度上取决于调查的焦点。因此,大范围的移动和可取的轻量级和小型传感器解决方案需要覆盖不同的医疗问题。

在项目中p²健康一个扩展的概念的个人预防健康管理(p²健康)是实现。它结合了个人移动监测的数据可穿戴传感器有预防医学支持。这种支持包括等最初的体检,智能数据解释和处理云解决方案提供特定于用户的干预措施。该方法集中在为客户提供以证据为基础的医学辅助可能性在所有生活环境监控他们的活动,新陈代谢,和心理健康考虑的环境参数。图1显示项目的一般概念。

因此,需要一个解决方案,集成不同类型的传感器系统和准备非齐次云中的数据进行处理和解释。

1.2。国家的艺术

的量化自我(QS)运动1,2)导致了大量的可穿戴的引入,主要可戴,传感器解决方案市场,为在日常生活中的应用(紧凑舒适)。测量参数包括例如,数步,旅行距离,热量分析,能源和耗氧量,健身跟踪、心率和睡眠阶段,和额外的功能,例如,食物文档、数据共享和报警功能(3,4]。这些系统通常不会在实验室实现质量的传统方法(5- - - - - -7]。此外,他们部分有强壮的派生如果应用范围不同于通常的一个。在[8,9),例如,一步计数器的派生不同的运动速度。但也有强大的质量差异提供设备制造商作为能量消耗作为模范地显示测量(10]。不过,他们提供了足够的数据质量和可用性之间的妥协/舒适[11在字段()为不同的医学调查12- - - - - -15]。

主要提供者这样的传感器解决方案如Fitbit(16),iHealthLabs(17),或诺基亚(18]。他们的数据通道传感器单元通过自己的智能手机应用程序云服务器(19]。这些云服务器提供全面的接口,允许特定的数据请求。一些当前的发展telemedical监控系统取代单一的共同集成蓝牙设备的云解决方案的集成。这避免了特定的智能手机应用程序的开发以及传感器系统的集成。几个开发不同的应用程序可以在文献中找到,使用这些传感器系统和完全集成的各自的云服务器健康数据的访问。iCardia(20.)是一个平台支持心脏康复的人们通过追踪他们的活动。这些数据是由戴可穿戴设备获得的Fitbit并存储在各自的provider-cloud服务器。的iCardia云查询当前数据集(通知Fitbit的订阅API)Fitbit云计算和提供这些iCardia临床应用(仪表板)中的数据。这里分析的数据是在心脏康复专家,参与者通过短信发送个性化的反馈。这个平台MyHealthAvatar(尼古拉斯)[21收集生活记录数据,包括健康和社交媒体数据,为跨学科合作医疗研究和提供特定于用户的信息。尼古拉斯服务器充当中央数据中心,集合了不同的数据从移动应用程序,可穿戴设备和社交媒体(例如,推特,脸谱网,Nike + Fuelband,颚骨了,谷歌MyTracks)。在最近的研究中,尼古拉斯这个功能有助于iManageCancer项目,支持前列腺癌和乳腺癌患者,例如,提供量身定制的信息和个性化的风险评估22]。商务部(移动云计算)医疗保险(23)是一个移动平台,开发跟踪健康状况(心率、睡眠时间和燃烧卡路里)和检测情况的前辈们戴传感器获得更高程度的安全。在前面的平台相比,各自的云服务器解决方案连接,每一个实例商务部医疗保险移动应用程序建立一个连接到提供云服务器获取用户的健康数据,转发中央数据存储(亚马逊云服务器)。此外,商务部医疗保险应用程序有一个fall-detection算法实现,它使用移动设备的加速度数据进行模式识别。在检测下降的情况下,应用程序是注册紧急联系人发送通知。

移动健康工具包(24),例如,苹果HealthKit,谷歌健康或三星健康提供基于云的服务,这对健康和健身功能库,相关数据。除了特定于供应商的传感器设备和应用解决方案,还选择第三方产品可以集成和合并来自不同来源的数据支持。这些系统的体系结构为一体的第三方可穿戴设备可分为两种普通的方法。第一个提供了相应的第三方应用程序集成工具包应用在移动设备上,随后上传到云提供者(24]。例如,这是应用苹果HealthKit和三星健康少,这些解决方案只允许第三方集成,相比谷歌健康。应用的方法谷歌健康提供了——和下载的数据(25的/谷歌健康第三方云和云应用程序。在这种情况下,不与第三方应用程序谷歌健康应用在移动设备上(24]。所有这些health-toolkit解决方案允许,和下载数据的api(应用程序编程接口),他们还提供一个上传的机会额外的数据到云,独立于数据源。由于关机的谷歌健康网站2019年3月,这一趋势转向主要是通过移动设备应用程序可以访问数据。

工具包主要用于健康相关的活动的研究,在对数据的访问已经存储在云统计分析是必需的(例如,在26,27,28])。因此,数据主要是在服务器上下载或要求的水平。只有少数研究解决方案功能附加在卫生工具包在移动设备上集成。在[29日),例如,体育活动和心率数据谷歌健康和苹果HealthKit用于扩大第七人口基础Tromsø研究(在TromsøTromsø7日,挪威),重复每5 - 8年。这些调查的原因是心血管疾病的高发病率在挪威。通过Tromsø研究应用程序在移动设备上,参与者的数据下载一次谷歌健康或苹果HealthKit云(安全调查的参与者)和发送到web服务Tromsø研究后端。web服务实现所需的数据处理/适应EUTRO格式来存储它,主要研究数据存储Tromsø研究。进一步研究使用谷歌健康健康数据存储在考虑节能中描述的30.]。在这里,谷歌健康兼容索尼Smartband 2 (Minato、东京、日本)是用来跟踪心脏病患者。因此,数据存储在谷歌健康查询了一个Android应用,检测情况下增加心脏病发作的风险选择的一天。检测是基于阈值,计算加权平均心率。

然而,常见的直接耦合的集成可穿戴传感器(如。、蓝牙、蚂蚁,无线个域网或WiFi)与通信协议披露或提供的软件开发工具包(sdk)仍然是必不可少的,特别是在实时条件或不常见,分别需要特殊的参数设置。此外,这些传感器解决方案具有更高的各种有关可用的参数(31日,32)和供应商(取决于请求的参数和传感器规格)(33,34]。此外,它们允许更复杂的安装安排,例如,测量呼吸或身体取向的胸带(35- - - - - -38)或运动模式分布全身传感器(4]。直接耦合的可穿戴传感器的典型体系结构包括一个或多个传感器解决方案,这是连接到一个移动应用程序。这些应用程序通常实现数据的处理和显示,还允许转发数据到一个web服务器或云。总结了多个应用程序使用这种传感器解决方案(39]。此外,并行采集环境参数的可穿戴传感器中发挥着越来越重要的作用[40- - - - - -45在预防医学。因此,灵活组合不同的可穿戴的数据源,根据个人的调查集中在考虑穿着的舒适和足够的数据质量,是当前工程挑战。

传感器集成方法的介绍的例子表明,在当前的发展通常只使用一种方法。因此,在文献中只有一个能找到发展,处理融合的直接耦合的可穿戴传感器和特定于供应商的云服务器(这里统称为异构数据源)。这个解决方案追求高血压患者的一种方法,在异构数据源的血压、体重、活动跟踪相结合(44]。数据融合与控制流程的工作流在此解决方案中集中实现了一个BPM(业务流程管理)支持服务器/云平台。它从vendor-clouds收集数据通过基于rest的服务和智能设备(REST-Representational状态传输),还集成了联网远程环境监测传感器(温度和大气压力)。根据收集到的数据和个人喜好,系统提供建议病人健康习惯和通知他们,如果检测到任何危险因素。建议的决策是一个集成的bpm模型的一部分。

是明显的从之前的考虑,事态的发展主要集中在直接或间接耦合的可穿戴传感器。为预防医学目的这两种方法是很重要的对于测量参数,各自的优势(例如,数据质量、灵活性和可用性)和他们的可用性在市场上。等数据的融合可穿戴传感器将覆盖广泛的场景在预防医学。因此,在这项工作的概念和发展一个合适的解决方案方法为移动数据采集系统(mdc) [45)将被提出。

在材料和方法部分,首先概述了系统需求和发展问题。部分2。2介绍了系统结构和概念的概述了开发任务。节2。3,涉及的系统组件间的通信和他们的相互作用。在结果与讨论部分,智能手机的应用程序MobMedApp,包括软件架构、连接管理、传感器数据处理。证明的功能概念的一个示例应用程序提供部分3论文总结了在前一节4。

2。材料和方法

2.1。系统需求和发展问题

由于各种不同的关键问题和较高的需要更精确的和现实在预防医学数据集,使用手机远程控制解决方案变得非常重要。从医学的角度来看这些解决方案出现下列条件:(我)轻量级和容易磨损系统组件(例如,无线解决方案),(2)简单和直观的系统处理(可用性),(3)使用寿命长,(iv)高数据安全性和完整性,(v)自动数据处理和快速数据可用性(如果必要的话),(vi)高适应性的不同参数(通过传感器和问卷),数据来源和处理算法。

特别是最后一点有更高的优先级比大多数其他医疗预防医学领域的使用手机远程控制解决方案将更广泛的应用范围。除了医疗需求,以下技术方面需要考虑:(我)灵活的集成和适应不同的数据源,允许个人应用场景,(2)快速处理结果不那么复杂的云解决方案提供的基础设施,特别是大用户群并行测量(处理组件的可用性),(3)明确分配功能的系统组件和明确定义的接口,允许灵活的适应或交换单一组件,(iv)考虑扩展为一个简单的升级系统的可能性更高的用户数量(伸缩性)。

医疗需求和技术要求全面考虑系统的发展。因此,密切关注,相关科学发展问题出现:(我)数据源集成预防医学调查越来越多的需求适应上述异构数据源的集成解决方案,以允许设置适应各种不同的调查。此外,收购主观用户信息仍然是一种已证实的方法,尤其是如果psychological-related调查(例如,精神压力的研究)的目标。(2)系统结构的概念许多远程控制系统(尤其是在研究或创业公司)是有限的小领域的应用程序。他们不是基于复杂的计算机结构,因此需要优化的策略对于系统设计(例如,模块化、载荷分布、优化系统利用率),以确保足够的系统可用性和灵活性。(3)传感器数据融合系统开发的最终目的是一种自适应互补以及合作数据融合。不同的传感器共同努力,获得全面的信息调查状态,获得间接测量的参数,不能仅通过一个传感器(11,46,47]。因此,mdc已经提供一个低层次的融合(48,49),这是更高层次的融合技术(功能和决策融合(11,48,49])和智能数据解释接管了主要污染源系统组件的层次结构(50]。

描述解决方案方法的新颖性是分散的传感器集成和低层次的融合(相关处理云解决方案)的所有移动、异构数据源相关的节点上。因此,一个更严格的结构解耦系统的层和更好的利用资源。大多数其他的当前发展只关注一种数据源或中央测量数据的融合。

2.2。系统结构和概念

预防性健康管理系统的组件分层次结构按照三个通常使用手机远程控制系统的水平。(我)数据处理层:p²健康云。(2)数据收集水平:移动数据采集系统MobMedApp。(3)数据采集层:数据来源移动传感器解决方案/智能手表。

最高水平的发达所代表的预防性健康管理系统的结构p²健康云(基于微软Azure云计算平台)。它提供了用户的访问(包括医护人员和客户)和结合了基线检查结果在医学实验室和调查领域做的mdc(见图2)。基线检查包括,例如,身体成分测定和代谢率(斯皮罗)肌力测试和心理负荷分析(例如,通过VTS-Vienna测试系统),提供个人初始参数的数据分析。云从实验室获得数据,mdc和官方参考数据库。它还执行数据分析程序(包括功能和决策融合)导致个人干预措施对客户的措施。数据分析主要是基于神经网络的选择/模糊模型(51],它面向问题的工作,因此必须被更新或补充的新问题。的p²健康云为用户和医务人员提供特定的门户网站。这些门户网站获取每个用户的个人调查计划,包括获得的数据以及处理结果。而用户主要使用系统通知自己和出口数据,医护人员也使用门户创建和编辑调查计划包括必需的参数,处理和通用配置。

mDCS为代表的智能手机,它有足够的接口选项和连接到数据源p²Health-Cloud。mdc是智能手机应用程序的基础MobMedApp负责建立和维护所需的所有系统组件的连接。单独的收集和准备必需的数据和表示的部分结果的额外任务MobMedApp。它管理数据流对个人客户的需求和传输数据的进一步处理p²Health-Cloud。对测量数据的收集MobMedApp,以下来源采集的数据是有区别的:(我)直接访问数据源(52]——传感器设备(配备如蓝牙低能量(祝福)蓝牙的经典或Ant +)与开放通信协议或sdk提供的供应商,例如,绪™α(绪™全球),Equivital™(伊达尔戈有限公司)或自行开发环境监测系统传销——emgn - 4.0 (53,54]。(2)间接访问数据源(52]-provider-cloud服务器,例如,通过Fitbit(旧金山,CA;美国)或诺基亚(埃斯波,芬兰),提供数据的特定于提供程序的传感器单元(通常健身手表);没有开放的无线通信传感器设备支持。(3)主观和客观的数据输入查询选项(例如,调查问卷和chronometrage)集成MobMedApp客户的主观和客观的评估。

一般来说,间接访问数据源结构更复杂的比直接由于大量涉及系统组件(例如,提供者应用程序,provider-cloud服务器和可能包括加工服务)。关于配置也更灵活,因为很多供应商规定的选项。受益于这种方法是如一个独立provider-cloud缓冲的数据服务器,通常包括数据处理和集成工作的显著减少各种不同传感器单元,依赖于提供者的产品范围。因此,新的或扩展接口的参数只需要适应。

在图3,两个间接访问数据源的集成解决方案介绍和比较重要的不同属性。解决方案1中,web服务实现provider-cloud服务器和之间的联系p²Health-Cloud。在方案2中,通过mdc的数据路由p²Health-Cloud。两种解决方案可以用来执行适当的程序数据整合和预处理。

解决方案1使用面向服务的体系结构(SOA) (55为web服务的实现,可以独立的解决方案或结合p²Health-Cloud结构(如[相对的56])。的p²Health-Cloud启动数据传输通过特定的web服务所需的provider-cloud服务器数据是否数据分析例程。此解决方案要求p²Health-Cloud部分实现预处理过程以及最终交付的同步数据MobMedApp和其他web服务,这连接进一步provider-cloud服务器。在这种情况下,p²Health-Cloud高集成工作,需要一个全面的关于期刊管理和并行连接特定的数据源账户。此外,云必须处理所有访问包括考虑限制访问权限(预先确定的供应商)和个人客户的登记。

相比之下,解决方案2封装的传感器融合完全mDCS和缓解了p²Health-Cloud关于几个sensor-data-related连接的处理。云端,在这个解决方案中,只集中在数据分析和处理连接到mdc和医学实验室。的MobMedApp样品和巩固特定于用户的数据从不同的来源,管理数据处理并交付他们p²Health-Cloud通过一个适当的接口协议。所有管理任务和预处理过程是解耦的p²Health-Cloud并保持mDCS。因此,mDCS代表分散,客户的特定连接适配器和数据集中器。这种解决方案的缺点是增加移动数据流量和提高个人mDCS处理工作。这些可以减少平衡轮询频率依赖调查重点。然而,方案2是首选由于更严格的等级制度的结构化的方法,所有主数据的即时可用性mDCS明显划分任务的和适当的分配,也支持系统的可伸缩性。

连接卫生工具包(介绍部分1。2)而不是整合几个供应商的云是一个合适的替代品减少间接访问数据源的集成工作。然而,在提出发展一个强大的重点是Fitbit-devices,需要传输数据到另外的第三方适配器谷歌健康云(用于Android和Fitbit相结合)。因此,这就增加了结构复杂性和移动设备上的沟通努力。此外,用户不一定使用谷歌健康,使用特定于供应商的云当然是绑定。此外,还直接访问数据源和问卷调查以及数据预处理必须考虑发展。因此,最初的一个数据节点(mdc)没有医疗工具箱为佳。

2.3。沟通

在健康管理系统的结构,三种不同类型的连接,来自mdc是有区别的:连接p²Health-Cloudprovider-cloud-servers,和直接访问无线设备(目前被认为标准:祝福蓝牙的经典)。的p²Health-Cloud和provider-cloud-servers遵循相同的技术概念。协议的复杂度和数据量都较高的连接p²Health-Cloud。

连接蓝牙设备,通用属性(关贸总协定)概要(bie)和仍然经常使用串口配置文件(支持蓝牙经典)。的蓝牙设备集成遵循标准程序从而不会这里描述。

分离的连接通过拨款服务用于API-dependent数据交换的p²Health-Cloud和provider-cloud-servers。后者要求建立一个个人为每个客户端和提供者和独特的开发者账户,平行于通常的用户帐户。这两个账户有一个一对一的关系。在授权过程中生成一个令牌,它允许访问客户的数据(Fitbit:OAuth 2.0,有时限的令牌的一个或八个小时,刷新令牌可用;诺基亚令牌:OAuth 2.0,没有时间限制)。HTTPS provider-cloud-servers用于数据传输;数据是匿名的。之间的通信p²Health-CloudmDCS也OAuth 2.0授权以及使用HTTPS和匿名数据。

在图4一个简化的序列图,包括连接的初始化和控制数据流量的mdc显示。的MobMedApp实现个人的沟通管理mDCS客户的过程。第一步是建立一个连接p²Health-Cloud获得所有必要的监测过程的客户特定的配置。取决于所需的数据,MobMedApp建立连接可用的传感器解决方案。使用蓝牙设备需要定期数据请求和一个临时数据存储。数据从provider-cloud服务器只需要请求如果数据传输p²Health-Cloud迫在眉睫。

3所示。结果与讨论

3.1。系统实现与MobMedApp

3.1.1。的体系结构MobMedApp

的MobMedApp是客户的个人的中央数据节点监测。因此,不同的沟通渠道、数据管理和处理,以及支持移动客户的接口相结合。在图5的应用架构MobMedApp包括潜在的连接外部系统组件。

对于每一个通信通道,生成一个服务实例维护与外部系统的连接组件的独立MobMedApp地位(例如,如果应用程序在后台的操作系统),适应特定于设备的协议。传入的数据采样的数据收集器,实现数据整合、预处理和适应所需的格式。它还处理investigation-related主观和客观数据输入通过问卷和chronometrage-module(可选手动分类活动的记录,例如,运动,睡眠,工作)。chronometrage允许一个更好的时间和数据与负载有关分化获得的测量数据的数据分析和支持p²Health-Cloud,特别是在教会和验证阶段。此外,数据收集器自主管理依赖于执行的干预措施p²Health-Clouds指令。

任务调度器管理用户事件队列,根据相关的配置的p²Health-Cloud。这些配置转移到一个任务表,其中包括传感器数据被收购,他们的单位和决议,上传时间间隔p²Health-Cloud。每10分钟的MobMedApp检查任务表的变化。任务调度器创建(或删除)的执行自己的任务从任务表MobMedApp从而实现了流程管理和数据流控制。这个管理包括等提醒用户遵循提出干预措施,来衡量其他参数(例如,体重和血压)或需要填写问卷。事件队列中显示为计划和杰出的任务列表,命令,指示他们的优先级(预告,执行时间,超过期限;参见图6)。客户最后决定的执行或拒绝(例如,在睡眠阶段)的行动。

分离模块允许的加工和部分可视化的结果p²Health-Cloud的数据分析。

3.1.2。连接和访问管理

关于所需的传感器连接MobMedApp使选择取决于所要求的参数p²Health-Cloud,用户和授权的连接可用的传感器单元。因此,使用一个数据源表(见图7),包括提供参数为每个传感器,传感器的配置集,访问条件,传感器的参数优先。目前,为每个用户提供单独的数据源表p²Health-Cloud。因此,只有潜在可能的传感器设备和云访问。数据源表总是更新后的开始MobMedApp每天,如果再使用另外一次。

sensor-configuration集基地连接建立蓝牙传感器(例如,传感器的特性,可用uuid设备名称、mac地址和身份验证过程)和sensor-provider-cloud服务器(如ip地址,用户id和钥匙,认证程序,刷新和访问令牌的提供者和查询功能)。访问条件通过sensor-provider-cloud主要集中在数据收集服务器。这里的限制对每个时间单位的查询数和数据请求的最大时间范围(例如,每个请求时间范围最大的200天)定义。一些供应商不提供的可能性在一个查询请求所有可用的用户参数。根据所需的参数的数量和所需的轮询的频率,可以达到各自的限制,影响数据传输。由于传感器设备之间的同步和提供者的智能手机应用程序,进一步到提供者的服务器不是连续的,接近实时的数据传输是该方法不可行。传感器的参数优先使用如果几个传感器获得相同的参数有不同的数据质量。在这种情况下,MobMedApp决定哪些要优先获得参数的进一步处理根据更高的优先级。优先级是由医疗集团决定根据初始设备测试和应用程序的经验。

由于账户产生的数量MobMedApp,要求对这些帐户的简单和安全的处理,两种方法被认为是更详细的。

第一种方法保持mDCS所有帐户信息。在这种情况下,用户处理的帐户数据MobMedApp,包括注册用户和开发人员占每个提供者。这保存用户的信息自决的权利。在第二种方法中,只有p²Health-Cloud帐户数据的处理MobMedApp。所有其他访问数据的用户和开发人员帐户provider-cloud服务器集中管理,可以通过请求p²Health-Cloud如果需要。这种方法尤其方便技术上缺乏经验的客户,因为没有需要注册账户或申请账户数据,大大增加了可用性。在本文中,第二种方法者优先。然而,第一种方法也被认为是作为替代的独立性mDCS sensor-data-resource访问。

3.1.3。传感器数据管理

传感器数据管理MobMedApp准备的数据单独的数据分析方法p²Health-Cloud。因此,云配置MobMedApp关于必需的参数和配置必要的调查,例如,提供数据的频率和提醒的条件和要求为客户测量数据或填写调查问卷。根据这些需求MobMedApp收集数据和执行以下基本任务:(我)数据整合和同步,(2)预处理、(3)数据选择,(iv)重新格式化的数据集。

整合和同步,被请求的数据可用数据来源结合在规定的时间范围。直接和间接访问数据源的数据时间往往符合mDCS时。一些传感器单元与内部计时设备只有一个手动同步的机会。在这种情况下,近似时间之前确定偏移量监测和考虑随后接收的数据集。

数据管理还包括预处理过程,允许预期违约的转换单位,数据压缩和辅助数据的生成。可用的预定义的处理程序MobMedApp和需要所要求的p²Health-Cloud通过相应的参数。处理的必要条件是相应的主数据的可用性。决定所需的预处理步骤MobMedApp是由医务人员和数据处理工程师。虽然医生使用这些优化概述数据预处理步骤,过程工程师主要使用标准化的处理模块的输入条件p²Health-Cloud为不同的数据源。其中,目前包括以下处理例程MobMedApp:(我)心率周期取决于活动的分离(例如,跑步,骑自行车,步行)和心率区(峰值、有氧运动、脂肪燃烧)通过天或训练(1)计算的平均心率各自的时间每天(或训练)(2)计算各个时期的总持续时间(每天或训练)(2)昼夜平均心率的计算阶段(3)计算每天的能耗不同的活动(iv)计数的活跃阶段分离活动(如散步,徒步旅行,锻炼)(v)转换为统一的名称,例如,身体方向(直立,一边,仰卧位等)或睡眠阶段(后,rem,光,深)(vi)睡眠相位转换时间的百分比。

结果要么是附加到拨款的主要数据,甚至取代它们。为了避免数据泄漏,p²Health-Cloud确认所有数据发送包。发生的不确定性或缺失的数据集(如错误的测量造成的,电池问题或缺少传感器)也处理的p²Health-Cloud或相应的处理模块。

尤其是provider-cloud服务器提供数据在特定的包,总是包括组织的相关参数和额外的信息(例如,id和追求数据链接)。根据所需的数据集,一个重要的数据开销可以结果,特别是数据不同的包的总和。图8显示的比较转移数据量取决于两个介绍集成解决方案图3。集成的解决方案1中,web服务的一部分了p²Health-Cloud因此视为之间的直接通信p²Health-Cloud和provider-cloud服务器。提交的数据是通过数据请求生成的Fitbit云服务器,初步测试表明,相似数据的概念诺基亚会导致类似的结果。报道卷总是包含所需的所有请求和回答消息各自的参与者。

所选择的数据集可以分为三类。在第一类(图8完整包重量和心脏活动)请求从一个完整的包p²Health-Cloud是假定的。在这种情况下,数据选择的mdc(方案2)几乎没有效果和额外的沟通产生了更高的数据量p²Health-Cloud相比方案1由于更高的参与者之间的沟通工作。

在第二类,只关注单一参数请求从第一类包(图8,体重只有,只静息心率)。因此,集成解决方案1的数据量在第一类是一样的。对于解决方案2,数据选择mDCS显示了部分重要的数据量的减少p²Health-Cloud根据包的大小。

第三类展示了一个复杂的气候资料请求依照计划的第一个真正的应用程序生命科学中心的自动化(罗斯托克大学)。七包,这个请求包括体重和脂肪测量、活跃和运动阶段,静息心率,有关能源消耗和参数(总结),不同的心率区,和睡眠的信息。对于这个特定的省际请求,mdc的数据量减少p²Health-Cloud9%的原始数据量的集成解决方案1。数据选择的有效性取决于收购和所需的数据量以及所需的轮询频率。对于大多数应用程序来说,可以认为高数据量的减少。在任何情况下,mdc(方案2)的数据量比的高p²Health-Cloud解决方案1中,而这是补偿,因为每一个mdc只处理一个用户的个人数据。

对于mdc和之间的数据传输p²Health-Cloud,数据管理将数据一个JSON (JavaScript对象表示法)协议安排,已列入考虑。JSON提供了一种简单、紧凑,主要是首选替代tag-oriented XML(可扩展标记语言)(57]。它是一种有效的格式resources-conserving数据传输解决方案(58,59],它分为单块和系列数据。每一块传输包含以下信息:(我)时间戳的集合,(2)数据来源(设备/提供者标识),(3)参数类型(例如,心率、重量),(iv)计量单位,(v)数据值/数组的数据值。

数据管理包括主观和客观数据条目。因此,MobMedApp提供调查问卷模板允许个别问卷的灵活的设计。每个模板包括其他输入元素,例如,对二元决策(是/否或真/假)或分级的状态(0…100)。这些模板可以由配置p²Health-Cloud为客户的具体调查。配置包括问题,其可能的回答和执行选项(单个或多个执行;如果多个执行重复率),调查问卷的时间事先通知,逾期问卷和超时。

3.2。验证实验

为了验证提出的解决方案,演示实验应用程序执行的一般可行性提出了系统和分散的方法。检查的重点是以下简称:(我)并行应用程序的直接和间接访问数据源,(2)提供互补(分析问题)和竞争(quality-verifying问题)的数据,为进一步分析的准备p²Health-Cloud,(3)这个特定的应用程序和数据选择的结果(iv)由于系统的电池消耗。

睡眠监测是预防医学的一个重要主题60,61年),特别是对于调查的压力和健身,通常需要一个休止期作为参考。因此,一个简化的睡眠监测总是这样的调查的一部分(基线),并提供了一个方便的可能性来验证的信心和收集数据的同步。因此,监视示例场景开始睡觉。大多数商业可穿戴传感器设备的质量与睡眠跟踪功能到目前为止仍然没有达到实验室标准(62年- - - - - -64年),不能用于专业分析。无论如何,这种紧凑的设备和应用程序的兴趣获取信息恢复阶段(例如,复苏的持续时间和效率)是特别高。

在示例场景中,一个戴Fitbit大火™(Fitbit;美国旧金山)与光学心率传感器应用(间接访问数据源)获得心率、睡眠时间、睡眠效率、睡眠水平(光之后,深,快速眼动)。此外,传感器系统Equivital™EQ01(伊达尔戈有限公司;英国剑桥)使用(直接访问数据源),获得传感器数据的胸带。因此,获得以下具体的数据来支持应用程序:(我)心率、rr-intervals;导出了两个通道心电图通过综合纺织电极,(2)呼吸率;提升,降低胸腔的应变计,(3)皮肤温度;检测到一个热敏电阻(iv)身体活动和方向(例如,仰卧位,一边和倾向的姿势);由一个加速度传感器。

的EQ01提供了一个SDK和开放的,专有的协议,它允许数据接收和无限制的传感器模块的配置。保持完整的EQ01的灵活性,实现开放通信协议。也因此,连续的数据传输EQ01可以减少通过设置部分通过mDCS披露模式。因此,所有高解析信号数据,例如,心电图,3 d加速或应变计不发送的信号EQ01。即使是相对大,使用的传感器模块蓝牙的经典的应用潜力Equivital™系列有关参数提供,系统灵活性和数据质量已经被证明在各种研究[65年- - - - - -70年]。

对于此示例场景,传感器系统都是穿的四个男性受试者在一夜之间mDCS范围内。的MobMedApp使用一个预定义的任务表的传感器数据(如图9和10),他们的决议(所有参数:最大),并上传时间间隔p²Health-Cloud(这里:每小时)配置。这个任务表和表(包括特定于用户的数据源访问数据Fitbit云服务器和EQ01)生成和提供的p²Health-Cloud,和医护人员调查计划的结果。进一步的配置MobMedApp由用户或调查人员不是必需的。一夜之间由于测量问卷和chronometrage禁用该应用程序在任务表。

所选的组合选择传感器设备提供了互补的数据集(例如,睡眠阶段,和身体的方向),它支持p²Health-Cloud数据分析来检测相关性和干预措施。在数据9和10预处理,个人数据的传感器设备都作为模范地显示了两个科目为他们提供p²Health-Cloud。的提出了结合数据集显示睡眠(人物的典型反应9(一个)和10 ())。例如,活动水平低在深睡眠阶段可以由一个一致的身体取向和低动态的呼吸和心跳。因为胸带用于呼吸率测量,运动构件需要考虑的影响。的EQ01允许一个更详细的运动分析,使充分披露模式,使用三维加速度数据。是由睡眠的测量参数Fitbit和预处理MobMedApps过程(睡眠相位时间的百分比和标准化称号的身体取向和睡眠阶段)如图9 (c)和10 (c)。

此外,系统提供了可能性比较来自不同传感器设备参数和测量方法,分别对数据质量(竞争数据)。这通常是医务人员的一个重要特性,尤其是在医学研究,介绍了新的传感器设备,需要验证。在示例应用程序中,心率是平行收购手腕和胸部。有关规定时间间隔(数据不同Fitbit大火™:会于长滩举行一个值每一秒。Equivital™EQ01每5 s:一个值,或者可预测rr-intervals)和数据分辨率(Fitbit大火™:整数;Equivital™EQ01:一个小数位),但高通信(数据9 (b)和10 (b)在测试应用程序)。此外,在所有四个调查手腕上的心率测量显示较低的依赖运动工件(通过呼吸或通常的运动)。

3.2.1之上。数据的使用和数据的选择

提出了应用程序中实验数据的使用和数据选择的传感器设备被认为是详细主题2。的EQ01传输数据以二进制格式(载荷)mDCS平均每小时接收的数据量60.5 kB(部分披露模式)。这个值是影响健康水平和用户的活动,影响发生rr-intervals和指示值的数量(不规则的参数)。然而,数据选择发生在二进制数据的解释,以避免不必要的处理步骤。对于上述应用程序,意味着减少传输数据量的80.1%(每小时12.0 kB)可以确定。这个高数据减少的原因是rr-intervals以及最指示,从传感器状态、有效性和管理消息不习惯在这个实验。

Fitbit的火焰™只有两个Fitbit包对睡眠和心率(见部分2。3)。因此,每小时47.6 kB的数据量(包括时间戳)提供的Fitbit云。根据数据的利用方案,数据量可能会减少35.9% -30.5 kB。开销来自应用的方式和未使用的数据,例如,检测心率区和睡眠总结。

最后,mdc传输同步数据(JSON格式),包括时间戳的互补EQ01拼,值的政务信息和标题信息,p²-Health-Cloud。发送的数据量考虑应用程序的每小时324.8 kB。高数据量的差异相比,获得的数据是由综合数据描述协议适应不同的调查设置和json格式。

3.2.2。电池的使用

在另一个实验中,使用mdc(智能手机和电池MobMedApp)检查来评估用户应用程序执行的操作寿命实验。一个三星Galaxy S8octa-core处理器(2.3 GHz), 4 GB内存,3000毫安时的电池容量(声称通话时间:20 h)和操作系统安卓8.0.0 (奥利奥)被选中。对所有实验中,只有蓝牙和wifi永久启用和用于数据传输(Stamina-mode禁用)。在测量期间显示是关闭的。估计app-related电池消耗,综合监控应用程序安卓使用。

实验的重点是电池的消耗MobMedApp在不同的配置情况下表中列出1。为每个配置情况下,三个八小时测量周期执行,只有MobMedApp如果需要Fitbit应用程序启动。额外的测试表明,Fitbit应用程序只有不到1%能源消耗在八小时不显著影响电池使用。测量结果见表1每个硬件组件还包括电池消耗(例如,蓝牙),如果应用。这些结果的评估MobMedApp的效用,但应该注意的是,他们必须被视为一个估算电池的使用,因为应用电池监测应用只提供了有限的精度和device-related后台进程不详细或残疾,分别。结果获得定期和显示一个几乎线性和可复制的行为。

相对高的电池的消耗MobMedApp通过使用Equivital™EQ01(例3和4)可以追溯到其经典蓝牙接口。是预计的使用BLE设备和一个期刊数据传输显著减少电池消耗。然而,执行应用程序设置结合类似的移动设备配置保证最小测量时间24小时不收费。

4所示。结论

摘要不同数据源的集成和融合IoT-data-science-oriented预防性健康管理系统的接口。因此,科学方面被认为是:(我)比较结构可能间接访问数据源的集成,(2)介绍一种方法的分散的数据源集成和底层数据融合的中央处理基础设施,(3)战略管理异构数据源相结合,(iv)执行application-relevant评价实验。

一个mdc(智能手机结合发达MobMedApp)开发,实现多传感器环境中数据收集与目标处理云解决方案(p²Health-Cloud)。mDCS支持一方面设备的集成和开放Bluetooth-interfaces,另一方面商业provider-cloud服务器(例如,Fitbit或诺基亚),它提供的接口的单个物理和生理数据的收集特定于供应商的设备。这种方法增加了各种各样的传感器数据,减少的集成工作p²Health-Cloud显著。在解决方案的例子中,它影响一个严格解耦mDCS的数据收集和数据分析云解决方案。

因此,两个不同的概念关于provider-cloud服务器和适当的数据的集成管理进行了较为详细的试验研究。这也包括处理发生的限制,额外的支出(例如,访问限制和复杂的帐户处理)带来的好处,也如一个接口数减少传感器、独立的数据存储,并通过provider-cloud服务器与时间有关的数据请求。

旁边的函数作为客户接口(通知客户的地位,目前的结果数据和必要的预防干预措施)的发展MobMedApp实现几个数据准备步骤并执行必要的预处理的例程(例如,二次数据生成、数据减少,单位转换)。因此,进一步的数据处理p²Health-Cloud支持,导致更高的系统可用性。的MobMedApp还提供了主观和客观的收购通过investigation-related问卷如果需要客户的信息。

初始系统实验表明,一个个体,分散和并行数据收集来自非齐次数据源mDCS肯定能实现。因此更高的数据流量的用户产生和常规软件更新MobMedApp需要考虑。然而,追求系统结构分配个人数据管理和沟通努力从云解决方案的范围,支持系统的可伸缩性,关于即将来临的事件也达到一个更高的系统的敏捷性依赖于用户的个人设置。个人的数据量p²Health-Cloud可以显著减少的MobMedApp的选择功能,尤其是从provider-cloud服务器请求特定的数据集。因此,提出的解决方案的使用方法是特别适合当几个传感器系统(包括系统,允许数据访问只能通过provider-cloud服务器),只涉及中小目标云解决方案是可用的。

提出的方法确保了快速适应不同的调查数据采集的场景或环境为应用程序的网站。高数量的不同,可以进一步支持系统集成设备的有效性和应用潜力。第一次与应用程序相关的调查进行医学监督职业卫生与气体和noise-exposed实验室技术员(考虑物理、生理和环境数据)计划,但仍在调查之中。

数据可用性

使用的数据来支持本文的研究结果可从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

作者感谢经济事务部,建设和旅游Mecklenburg-West波美拉尼亚(德国,FKZ:创伤性脑损伤- v - 1 - 127 - vbw - 044)的金融支持这个项目。这项工作已经由欧盟支持。此外,作者要感谢M.Tech先生。Mostafa Haghi专业支持。

引用

1. c . Khorakhun和巴蒂、“移动医疗通过量化自我:用户研究,”17 HealthCom,页329 - 335,波士顿,MA,美国,2015。视图:出版商的网站|谷歌学术搜索
2. A .施赖伯“量化自我的起源模型数据,”8日普及在人机交互、方法、技术和最佳实践施普林格,页382 - 393年,温哥华,加拿大,2016。视图:出版商的网站|谷歌学术搜索
3. k . Kaewkannate和美国金,“可穿戴的健身设备的比较,BMC公共卫生,16卷,不。1,文章ID 433, 2016。视图:出版商的网站|谷歌学术搜索
4. 美国Majumder、t . Mondal和m·j·迪恩“可穿戴传感器远程健康监测、”传感器,17卷,不。1,文章ID 130, 2017。视图:出版商的网站|谷歌学术搜索
5. k·m·迪亚兹·d·j·克鲁普卡市,m . j . Chang et al .,”一个准确和可靠的无线设备运动跟踪,”国际心脏病学杂志卷,185年,第140 - 138页,2015年。视图:出版商的网站|谷歌学术搜索
6. a . k .巴腾堡蛋糕s Donohoe n .罗伯逊和t . p . Schmalzried”个人活动监视设备的准确性。”研讨会在关节成形术,28卷,不。2、71 - 75年,2017页。视图:出版商的网站|谷歌学术搜索
7. h .村上r . Kawakami (s . Nakae et al .,“可穿戴设备精度估算总能量消耗:与代谢室和双标记水的方法,”JAMA内科,卷176,不。5,702 - 703年,2016页。视图:出版商的网站|谷歌学术搜索
8. f·h·a . Beevi j .米兰达·c·f·彼得森和s·瓦格纳,“商业计步器的评估监控人口行走速度慢,”远程医疗和e-Health,22卷,不。5,441 - 449年,2016页。视图:出版商的网站|谷歌学术搜索
9. 美国赖斯称,j·汉森,o·w·尼尔森和b . Dinesen”评估商业自我监控设备的临床用途:来自未来的结果病人试验,第一阶段,”传感器,17卷,不。1,文章ID 211, 2017。视图:出版商的网站|谷歌学术搜索
10. a . Shcherbina c·m·马特·d·Waggott et al .,”戴精度,传感器的测量心率和能量消耗在一个多样化的群体,“个性化医学杂志》,7卷,不。2,文章ID 2017。视图:出版商的网站|谷歌学术搜索
11. r . Gravina p . Alinia h . Ghasemzadeh, g . Fortino”多传感器融合的身体传感器网络:最先进的和研究的挑战,”信息融合,35卷,第80 - 68页,2017年。视图:出版商的网站|谷歌学术搜索
12. a . m . Abrantes c·e·布莱文斯c . l .战斗,j . p .阅读,a·l·戈登·m·d·斯坦,“开发一个Fitbit-supported生活身体活动干预对抑郁酒精依赖的女性来说,“《药物滥用治疗卷,80年,第97 - 88页,2017年。视图:出版商的网站|谷歌学术搜索
13. m . k .薯条和大肠Stukenberg定量试验研究在使用健身追踪员工的预防性管理慢性疾病的风险在卫生保健设施,”在线护理信息学杂志》上,19卷,不。第三条ID 2016。视图:谷歌学术搜索
14. a . m .希和p s Freedson“效用的消费运动追踪器作为干预工具在心血管疾病预防和治疗,”心血管疾病进展,卷。58岁的没有。6,613 - 619年,2016页。视图:出版商的网站|谷歌学术搜索
15. c·g·瓦莱,a . m ., d·f·泰特,“防止体重增加在非洲裔美国人乳腺癌幸存者使用智能量表和活动追踪器:一个随机对照试验研究,“《癌症生存,11卷,不。1,第148 - 133页,2017。视图:出版商的网站|谷歌学术搜索
16. Fitbit,“Fitbit开发者”,2018年6月,https://dev.fitbit.com/。视图:谷歌学术搜索
17. 城,“城沙箱——开发人员”,2018年6月,http://sandbox.ihealthlabs.com/index.htm。视图:谷歌学术搜索
18. 诺基亚,“诺基亚开发者”,2018年6月,https://developer.health.nokia.com/api。视图:谷歌学术搜索
19. 诉同性恋和p . Leijdekkers”,把健康和健身数据一起连接卫生保健:移动应用程序作为互操作性的推动者,”互联网医学研究杂志,17卷,不。11日,2015 p . e260。视图:出版商的网站|谷歌学术搜索
20. s . Kitsiou m·托马斯·g·e·Marai et al .,”一个创新的移动医疗的发展平台远程心脏康复患者的身体活动监测和健康教练,”生物医学和卫生信息学奥兰多,页133 - 136,美国2017年。视图:出版商的网站|谷歌学术搜索
21. x y z邓,p·杨,赵,赵,f .盾,“生活记录数据聚合跨学科医疗研究和协作解决方案”ICCTA利物浦,页2315 - 2320年,英国,2015年。视图:出版商的网站|谷歌学术搜索
22. 张x, z邓、f . Parvinzamir和f .董”MyHealthAvatar生活方式管理支持癌症患者,”Ecancermedicalscience,12卷,p。849年,2018年。视图:出版商的网站|谷歌学术搜索
23. a . Kumari d·m·乌尔斯s . k . Nellaiappan,无独有偶,基于安卓的检测和处理监控系统为老年人,2017岁的圣荷西州立大学https://www.researchgate.net/publication/320280369_MoC_Medicare_An_Android_based_fall_detection_and_health_monitoring_system_for_the_elderly。
24. b . a . Farshchian和t . Vilarinho”,移动健康服务提供者应选择工具箱?healthKit比较评价苹果,谷歌,和三星数字医疗平台,”环境智能2017马拉加,页152 - 158年,西班牙,2017年。视图:出版商的网站|谷歌学术搜索
25. m . Nobakht y隋、a . Seneviratne和w·胡”权限分析物联网的健康和健身应用程序编程框架,”TrustCom / BigDataSE,页533 - 538,纽约,纽约,美国,2018年。视图:出版商的网站|谷歌学术搜索
26. p . j .气,m . Hanneghan k·莱瑟姆,和唐,“不确定性调查个性化生活实录体力活动强度模式评估与移动设备,”iThings / GreenCom CPSCom / SmartData埃克塞特,页871 - 876年,英国,2017年。视图:出版商的网站|谷歌学术搜索
27. r·a·克拉克,j .富特v . l .范思哲et al .,“保持正轨研究:探索的活动水平和医疗服务利用急性冠脉综合征(ACS)患者在出院后30天前,“医学科学,7卷,不。4、文章ID 61, 2019。视图:出版商的网站|谷歌学术搜索
28. f·j·布劳h . m . Schenk b.f. Jeronimus et al .,“让我们physiqual——一个直观的和通用的方法将传感器技术与生态的评估,“生物医学信息学杂志卷,63年,第149 - 141页,2016年。视图:出版商的网站|谷歌学术搜索
29. a .亨利l . a . Hopstock g . Hartvigsen和s . Grimsgaard”使用基于云的身体活动数据来自谷歌和苹果healthkit适合扩大体育活动数据的记录在人口研究中,“研究卫生技术和信息卷,245年,第112 - 108页,2017年。视图:谷歌学术搜索
30. f . Gonzalez-Landero Garcia-Magarino, r . Lacuesta, j . Lloret“绿色通信跟踪与smartbands心率,”传感器,18卷,不。2018年8篇文章ID 2652。视图:出版商的网站|谷歌学术搜索
31. w·h . y . Liu Wang赵,m . Zhang h .秦和y .谢,“灵活可伸缩可穿戴健康监测传感器:传感机制,材料、制造策略和功能,“传感器,18卷,不。2,p。645年,2018年。视图:出版商的网站|谷歌学术搜索
32. s . Patel h .公园,p . Bonato l . Chan和m·罗杰斯“回顾可穿戴传感器和系统与应用程序在康复,”神经工程学和康复杂志》上,9卷,不。1,文章ID 21, 2012。视图:出版商的网站|谷歌学术搜索
33. s . Thilarajah r·克拉克和g·威廉姆斯,“可穿戴传感器和移动健康(mHealth)技术评估和促进身体活动在中风:叙事评论,”大脑损伤,17卷,不。1,34-42,2016页。视图:出版商的网站|谷歌学术搜索
34. m . Haghi k·索罗,r·斯托尔,“可穿戴设备医疗物联网:科学研究和商用设备,“医疗信息学研究,23卷,不。1,4-15,2017页。视图:出版商的网站|谷歌学术搜索
35. a . Aliverti”在呼吸道健康和疾病,可穿戴技术:角色”呼吸,13卷,不。2,pp. e27-e36, 2017年。视图:出版商的网站|谷歌学术搜索
36. d·卡斯特罗,w .珊瑚,c·罗德里格斯,j . Cabra科罗拉多和j·“Wearable-based人类活动识别使用一个物联网的方法,”先生致动器网络杂志》上》第六卷,没有。4、2017年p。28日。视图:出版商的网站|谷歌学术搜索
37. f .礼宾部主管,刘贤美佩特森工作室内由手工制作完成,“传感器融合的佩戴式健康监护器与触觉反馈系统,”第十一届国际会议在信息技术的创新,页262 - 266,阿拉伯联合酋长国迪拜,2015年。视图:出版商的网站|谷歌学术搜索
38. a . r . Fekr m . Janidarmian k . Radecka z . Zilic,“呼吸疾病分类与信息特征对于移动医疗应用程序,”IEEE生物医学和卫生信息学杂志》上,20卷,不。3、733 - 747年,2016页。视图:出版商的网站|谷歌学术搜索
39. l . p . Malasinghe n .拉姆赞·k·达,“远程病人监护:综合研究”,环境智能和人性化计算杂志》上,10卷,不。1,57 - 76,2017页。视图:出版商的网站|谷歌学术搜索
40. p . Pancardo f·阿科斯塔j . Hernandez-Nolasco m·威斯特和d . Lopez-de-Ipina“实时个性化监控评估职业热应力环境辅助工作,“传感器,15卷,不。7,16956 - 16980年,2015页。视图:出版商的网站|谷歌学术搜索
41. j·李,d . Kim H.-Y。Ryoo, s。Shin“可持续的衣物:可穿戴技术为提高人类的生活质量,”可持续性,8卷,不。5、文章ID 466, 2016。视图:出版商的网站|谷歌学术搜索
42. g . Gardasevic h . Fotouhi Tomasic, m . Vahabi m . Bjorkman和m·林登“异构IoT-based生理和环境参数的远程监控,架构”4 thhealthyiot 2017页,48-53激怒,法国,2018年。视图:出版商的网站|谷歌学术搜索
43. m . Mardonova和崔y”审查可穿戴设备技术及其应用的采矿业,”能量,11卷,不。第三条ID 547, 2018。视图:出版商的网站|谷歌学术搜索
44. d . Ruiz-Fernandez d . Marcos-Jorquera诉Gilart-Iglesias诉Vives-Boix和j . Ramirez-Navarro”赋权的高血压患者通过BPM,物联网和遥感,”传感器,17卷,不。10,2273年,页2017。视图:出版商的网站|谷歌学术搜索
45. j .公园,“评估移动数据收集系统在中小企业的生产信息,“计算机在工业领域卷。68年,64年53 - 2015页。视图:出版商的网站|谷歌学术搜索
46. G.-Z。杨,j . Andreu-Perez G.-Z。杨、胡x和s . Thiemjarus“身体传感器网络,”多传感器融合,G.-Z。杨,Ed Springer,伦敦,第二版,2014年版。视图:出版商的网站|谷歌学术搜索
47. y Jararweh, m . Al-Ayyoub d Al-Zoubi, e . Benkhelifa”实验框架,未来智能城市使用数据融合和软件定义系统:智能医疗环境监测的情况下,“未来一代计算机系统,85卷,2018年。视图:出版商的网站|谷歌学术搜索
48. f . Castanedo“审查的数据融合技术,”科学世界日报文章ID 704504卷,2013年,19页,2013。视图:出版商的网站|谷歌学术搜索
49. w·Elmenreich“介绍传感器融合”,研究报告47/2001,“技术代表,2002。视图:谷歌学术搜索
50. 答:阿洛菲,A . Alghamdi r . Alahmadi n . Aljuaid和m . Hemalatha“回顾数据融合技术,”国际期刊的计算机应用程序,卷167,不。7,37-41,2017页。视图:出版商的网站|谷歌学术搜索
51. m·库马尔s Neubert美国贝伦特et al .,“压力监测心跳间隔基于随机模糊分析,“IEEE模糊系统,20卷,不。4、746 - 759年,2012页。视图:出版商的网站|谷歌学术搜索
52. f . De Arriba-Perez m . Caeiro-Rodriguez和j·m·Santos-Gago”从手腕可穿戴设备收集和处理数据的异构和多用户场景,”传感器,16卷,不。9篇文章ID 1538 2016。视图:出版商的网站|谷歌学术搜索
53. m . Haghi k·索罗和n·斯托尔,“低成本、独立和多任务关注个性化的环境监测,“IEEE事务在生物医学电路系统,12卷,不。5,1144 - 1154年,2018页。视图:出版商的网站|谷歌学术搜索
54. m . Haghi k·索罗和n·斯托尔,“但是手腕佩戴设备声级和有害气体环境监测,”国际会议系统可靠性和安全性(ICSRS),页270 - 276年,米兰,意大利,2017年。视图:出版商的网站|谷歌学术搜索
55. r·k·Lomotey r .阻止了,“促进无需多设备使用在移动医疗,”《无线网络,无处不在的计算和可靠的应用程序4卷,第96 - 77页,2013年。视图:谷歌学术搜索
56. Hameed r·t·o·a·穆罕默德o·t·哈米德和n .避讳“e-Healthcare设计管理系统基于云计算和面向服务的体系结构”E-Health和生物工程会议2015年,雅西,罗马尼亚,。视图:出版商的网站|谷歌学术搜索
57. a . Benharref和m . a . Serhani”小说E-health云计算和基于soa框架使用无线传感器监控,“生物医学和卫生信息学杂志》上,18卷,不。1,46-55,2014页。视图:出版商的网站|谷歌学术搜索
58. z哈克,g·f·汗,t·侯赛因”XML和JSON web技术的综合分析,”CSSCC南京,页102 - 109年,中国,2012。视图:谷歌学术搜索
59. 林,y陈,陈x, y,“JSON和XML之间比较基于AJAX的应用程序,”包括南京,页1174 - 1147年,中国,2012。视图:谷歌学术搜索
60. m·e·罗桑伯格·m·p·Buman w . l . Haskell m . v .麦康奈尔和l . l . Carstensen“24小时的睡眠,久坐不动的行为,与9个可穿戴设备和体育活动,“医学和科学运动和锻炼,48卷,不。3、457 - 465年,2016页。视图:出版商的网站|谷歌学术搜索
61. m·j·邓肯,c . Vandelanotte s g . Trost et al .,“平衡:一个随机试验检查两个自我监控方法的疗效app-based multi-behaviour干预改善身体活动,坐着睡在成年人,”BMC公共卫生,16卷,不。1,p。670年,2016。视图:出版商的网站|谷歌学术搜索
62. z梁和t .西村”是可穿戴的脑电图设备更准确比健身腕带回家睡跟踪吗?比较消费者睡眠与临床设备追踪器,”第六届全球消费电子会议上,名古屋,日本,2017年。视图:出版商的网站|谷歌学术搜索
63. m . de Zambotti f·c·贝克,a·r·威洛比et al .,”措施的睡眠和心脏功能在睡眠中使用多感官在青少年商业化腕带:可穿戴技术测量睡眠和心脏功能,“生理行为卷,158年,第149 - 143页,2016年。视图:出版商的网站|谷歌学术搜索
64. j·曼图亚:砾石,r·m·c·斯宾塞的“睡眠措施从四个人健康监测设备的可靠性研究活动检测仪和多导睡眠描记术相比,“传感器,16卷,不。5、文章ID 646, 2016。视图:出版商的网站|谷歌学术搜索
65. a . Rieger s Neubert贝伦特,m . Weippert s Kreuzfeld r·斯托尔,“24小时动态监控的复杂的生理参数无线医疗体系:可行性、用户遵从性和应用程序,”固态硬盘,开,德国,2012年。视图:出版商的网站|谷歌学术搜索
66. a . Rieger r·斯托尔美国Kreuzfeld et al .,“心率和心率变异性作为间接标记的外科医生术中压力,”国际职业和环境健康档案,卷87,不。2、165 - 174年,2014页。视图:出版商的网站|谷歌学术搜索
67. a . a . Akintola诉van de波尔,d . Bimmel a·c·萨尼亚,和d . van Heemst”的比较分析equivital EQ02 lifemonitor与霍尔特动态心电图设备连续测量心电图、心率、心率变异性:精密度和准确度的验证研究,“前沿生理学ID 391条,卷。7日,2016年。视图:出版商的网站|谷歌学术搜索
68. 美国c•加蒂,s .施耐德,g . c .阶段“建筑工人、生理状态监测”自动化建设,44卷,第233 - 227页,2014年。视图:出版商的网站|谷歌学术搜索
69. k . a .马蒙沙玛,a s·m·霍克和t . Szecsi”远程病人身体状况监测服务模块iWARD医院机器人”亚太地区世界大会在计算机科学和工程,2014年斐济。视图:出版商的网站|谷歌学术搜索
70. o . Banos c . Villalonga m .花缎,p . Gloesekoetter h·珀玛和罗哈斯,“健康PhysioDroid:结合可穿戴传感器和移动设备无处不在的,连续的,和个人监测,“科学世界日报ID 490824条,卷。2014年,11页,2014年。视图:出版商的网站|谷歌学术搜索

版权

版权©2019塞巴斯蒂安Neubert等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。