MARC

 008250123s2024        us                              c    eng  d
■001000017161872
■00520250211151456
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798383168103
■035    ▼a(MiAaPQ)AAI31297146
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a621.3
■1001  ▼aLeitner,  Jared.
■24510▼aMachine  Learning  Techniques  for  Personalized  Health  Monitoring  and  Interventions  Using  Wearable  Device  Data
■260    ▼a[Sl]▼bUniversity  of  California,  San  Diego▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a111  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-12,  Section:  B.
■500    ▼aAdvisor:  Dey,  Sujit;Rao,  Ramesh.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  San  Diego,  2024.
■520    ▼aTo  provide  more  optimal  care  at  scale,  health  systems  are  changing  the  way  in  which  healthcare  is  delivered.  At  the  center  of  this  changing  landscape  is  a  shift  towards  remote,  continuous,  and  automated  delivery  of  healthcare.  This  shift  can  lead  to  significant  improvement  in  and  scalability  of  at-home  patient  care  for  chronic  diseases  like  hypertension  and  viral  illnesses  like  COVID-19,  while  at  the  same  time  enabling  significant  savings  in  human  and  equipment  resources.  Wearable  devices  are  an  enabling  technology  making  this  shift  in  healthcare  delivery possible  due  to  the  substantial  amount  of  lifestyle  and  vitals  data  they  can  remotely  collect.  There  is  great  opportunity  for  machine  learning  (ML)  to  assist  in  the  remote  and  personalized  delivery  of  care  due  to  the  large  amount  of  data  that  is  collected.In  this  dissertation,  we  present  three  applications  of  ML  to  enable  personalized,  remote  health  monitoring  and  care  delivery.  Chapter  1  presents  a  personalized  deep  learning  approach  to  estimate  blood  pressure  (BP)  using  the  photoplethysmogram  signal.  Our  approach  enables  continuous,  noninvasive  BP  monitoring  as  compared  to  traditional  methods  which  are  either  intermittent  or  invasive.  To  address  the  problem  of  limited  personal  data  for  individuals,  we  propose  a  transfer  learning  technique  that  achieves  a  mean  absolute  error  of  3.52  and  2.20  mmHg  for  systolic  and  diastolic  BP  estimation,  respectively.  Chapter  2  describes  a  ML-based  remote  monitoring  method  to  estimate  patient  recovery  from  COVID-19  symptoms  using  automatically  collected  wearable  device  data,  instead  of  relying  on  manually  collected  symptom  data.  Our  method  achieves  an  F1-score  of  0.88  when  applying  our  Random  Forest-based  model  personalization  technique  using  weighted  bootstrap  aggregation.  Chapter  3  presents  the  results  of  a  single-arm  nonrandomized  trial  which  assessed  the  effectiveness  of  a  fully  digital,  autonomous,  and  ML-based  lifestyle  coaching  program  on  achieving  BP  control  among  adults  with  hypertension.  141  participants  were  monitored  over  24  weeks  and  achieved  an  average  systolic  and  diastolic  BP  decrease  of  8.1  mmHg  and  5.1  mmHg,  respectively.  Our  research  demonstrates  the  successful  application  of  ML  across  various  healthcare  contexts.  By  harnessing  wearable  device  data,  we  can  facilitate  more  personalized  and  effective  monitoring  and  interventions.
■590    ▼aSchool  code:  0033.
■650  4▼aComputer  engineering
■650  4▼aBiomedical  engineering
■650  4▼aBioinformatics
■653    ▼aWearable  devices  
■653    ▼aHypertension  
■653    ▼aMachine  learning  
■653    ▼aPhotoplethysmogram  signal
■653    ▼aWearable  device  data
■690    ▼a0800
■690    ▼a0541
■690    ▼a0464
■690    ▼a0769
■690    ▼a0715
■71020▼aUniversity  of  California,  San  Diego▼bElectrical  and  Computer  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g85-12B.
■790    ▼a0033
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17161872▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books