《Engineering Applications of Artificial Intelligence》：Revolutionizing artificial intelligence enabled predictive analytics with smart consumer electronics for real-time healthcare monitoring
编辑推荐：
实时健康监测与个性化医疗的PHMPACE-DREC模型通过特征选择和集成分类器提升预测精度。该模型采用min-max归一化预处理，结合FCBF、RFE和LASSO三种特征选择方法，在Wearables数据集上实现99.11%的准确率，有效减少27维特征至17维。
阿拉·萨利赫·阿卢海丹（Ala Saleh Alluhaidan）|阿玛尔·M·阿克兰（Amal M. Aqlan）|马沙埃尔·马阿希（Mashael Maashi）|艾哈迈德·阿尔赛亚特（Ahmed Alsayat）|马沙埃尔·N·阿尔霍姆斯安（Mashail N. Alkhomsan）|法滕·德鲁埃兹（Faten Derouez）|拉坎·阿兰纳齐（Rakan Alanazi）|塔维克·哈桑宁（Tawfiq Hasanin）
信息系统系，计算机与信息科学学院，努拉·宾特·阿卜杜勒拉赫曼公主大学（Princess Nourah bint Abdulrahman University），邮政信箱84428，利雅得，11671，沙特阿拉伯
摘要
近年来，随着数据流技术的出现，医疗保健领域经历了重大变革。数据流指的是从多个来源持续传输和分析实时数据。在医疗环境中，数据流使医疗保健提供者能够监测患者的健康状况、预测健康问题并提供个性化护理。实时观察患者健康状况以及用于疾病分析和预防的预测分析在医疗保健中变得越来越重要，因为它们允许医疗保健提供者在问题出现之前就发现并加以处理。消费电子健康技术通过持续跟踪关键指标、身体活动和其他健康限制因素，改变了健康监测的方式。将人工智能（AI）和深度学习（DL）融入消费电子设备中，有望通过辅助实时数据分析和早期识别健康问题来改善个性化医疗保健。本文提出了一种基于降维和集成分类器的个人健康监测与预测分析方法（PHMPACE-DREC）。其目的是利用先进模型提供一种用于实时健康监测和预测分析的消费电子设备方法，以实现主动和个性化的医疗解决方案。为此，PHMPACE-DREC模型首先通过应用最小-最大归一化对输入数据进行预处理，将其转换为合适的格式。接下来进行特征选择，这是一个关键步骤，它通过使用三种方法（快速相关滤波特征选择器（FCBF）、递归特征消除（RFE）和最小绝对值收缩选择器（LASSO）来降低数据维度并提高效率。最后，通过三种集成分类器（埃尔曼神经网络（ENN）、深度Q网络（DQN）和条件变分自编码器（CVAE）执行分类过程。实验分析表明，在可穿戴设备数据集上，PHMPACE-DREC方法的准确率达到了99.11%，优于现有方法。
部分摘录
引言
随着数据流工具的兴起，医疗保健领域发生了变化。数据流涉及从多个资源持续获取和评估实时数据。在医疗环境中，数据流使医疗专业人员能够即时监测患者健康状况，预测可能的健康问题，并提供定制的治疗方案（Paul, 2025a）。实时跟踪患者健康状况以及用于疾病检测和预防的预测分析变得越来越重要。
现有研究
Mohapatra等人（2025年）提出了一种基于物联网的健康监测系统（HMS）方法，该方法旨在提供实时医疗支持，特别适用于患者监测。该方法结合了可穿戴传感器、数据分析和云计算来持续监控患者。收集的信息被传输到中央云系统，其中复杂的分析算法可以识别异常情况并向医疗专业人员发出警报。Manikandan等人（2025年）也提出了类似的方法。
材料与方法
本文提出了PHMPACE-DREC模型。其主要目标是通过使用创新模型来推进消费电子设备的健康监测和预测分析框架。PHMPACE-DREC方法包括数据集准备、特征选择和分类模型等多个阶段。PHMPACE-DREC方法的完整工作流程如图1所示。
首先，为了对输入数据进行归一化，预处理阶段应用了最小-最大归一化方法。
结果分析
在可穿戴设备数据集（https://www.kaggle.com/datasets/manideepreddy966/wearables-dataset）上对PHMPACE-DREC模型进行了结果分析。该数据集包含10000个样本，分为两个类别，如表1所示。共有27个特征，但仅选择了17个特征，这表明所选特征能够有效捕捉最相关的数据，同时最小化冗余和计算开销。该模型使用Python 3.6.5在配备i5-8600k处理器、250 GB SSD和GeForce显卡的PC上进行了模拟。
结论
本文开发了PHMPACE-DREC模型，用于实时医疗监测。主要目标是改进消费电子设备的健康监测和预测分析框架。为此，首先应用了最小-最大归一化方法进行数据预处理。接下来，采用了FCBF、RFE和LASSO三种方法进行特征子集选择。最后，PHMPACE-DREC模型包含分类过程。
作者贡献声明
阿拉·萨利赫·阿卢海丹（Ala Saleh Alluhaidan）：撰写原始稿件、方法论制定、资金获取、正式分析、概念构建。
阿玛尔·M·阿克兰（Amal M. Aqlan）：撰写原始稿件、方法论制定、研究工作、正式分析、概念构建。
马沙埃尔·马阿希（Mashael Maashi）：撰写原始稿件、验证工作、项目管理、方法论制定、正式分析、概念构建。
艾哈迈德·阿尔赛亚特（Ahmed Alsayat）：审稿与编辑、撰写原始稿件、验证工作、资源协调、方法论制定。
马沙埃尔·N·阿尔霍姆斯安（Mashail N. Alkhomsan）：审稿工作。
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。
