論文の概要: HiMe: Real-Time Self-Hosted Personal Agent Platform for Health Insights with Wearable Devices

• arxiv url: http://arxiv.org/abs/2607.21019v1
• Date: Thu, 23 Jul 2026 08:05:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-24 18:26:25.328802
• Title: HiMe: Real-Time Self-Hosted Personal Agent Platform for Health Insights with Wearable Devices
• Title（参考訳）: HiMe:ウェアラブルデバイスを用いたヘルスインサイトのためのリアルタイムセルフホスティングパーソナルエージェントプラットフォーム
• Abstract要約: HiMeは、パーソナルヘルスデータ処理のための、ローカルにデプロイ可能な、プライバシ優先のエージェントプラットフォームである。 それは、幅広いウェアラブルデバイスにわたるリアルタイムの健康データエコシステムと完全に互換性がある。 データはリアルタイムに処理され、ユーザは長期にわたってモデル化される。
• 参考スコア（独自算出の注目度）: 25.288702492457986
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Traditional approaches to wearable health signal analysis, such as smartwatches, are constrained by rigid analytical frameworks and limited personalisation. The emergence of LLM agents creates a new opportunity for Personal Health Agentic Analysis, where health insights can be generated adaptively and in context. However, currently there is no open-source locally deployable platform capable of processing personal health data in real time while preserving privacy. We present HiMe, a locally deployable, privacy-first agent platform that is fully compatible with real-time health data ecosystems across a wide range of wearable devices. HiMe is guided by three design principles. The database is treated as a first-class component. Effectiveness and efficiency are jointly optimised to achieve a low-cost Pareto-optimal balance. Data are processed in real time while the user is modelled over the long term. Together, these principles make it practical for individuals to harness Personal Health Agents for continuous, personalised health monitoring for better wellbeing.
• Abstract（参考訳）: スマートウォッチのようなウェアラブルの健康信号分析への伝統的なアプローチは、厳格な分析フレームワークと限定されたパーソナライゼーションによって制約されている。 LLMエージェントの出現は、ヘルスインサイトを適応的に、文脈で生成することのできる、Personal Health Agentic Analysisの新たな機会を生み出します。 しかし、現在、個人の健康データをリアルタイムで処理し、プライバシを保護できる、オープンソースでローカルにデプロイ可能なプラットフォームは存在しない。 HiMeはローカルにデプロイ可能で、プライバシ優先のエージェントプラットフォームで、幅広いウェアラブルデバイスにわたるリアルタイムヘルスデータエコシステムと完全に互換性があります。 HiMeは3つの設計原則でガイドされている。 データベースは第一級コンポーネントとして扱われる。 効率性と効率性は、低コストのパレート最適バランスを達成するために共同最適化される。 データはリアルタイムに処理され、ユーザは長期にわたってモデル化される。 これらの原則が相まって、個人がパーソナルヘルスエージェントを継続的に個人化された健康モニタリングに活用し、健康状態を改善するのに有効である。

関連論文リスト

• The Anatomy of a Personal Health Agent [32.99206560736977]
  一般消費者の健康管理装置や一般の健康記録からマルチモーダルデータを分析できる包括的パーソナルヘルスエージェントの構築を目指している。 我々は,消費者の健康ニーズの3つの主要なカテゴリを特定し,それぞれが専門的なサブエージェントによって支えられている。 動的にパーソナライズされた対話を可能にするマルチエージェントフレームワークであるPersonal Health Agent(PHA)を提案し,開発する。
  論文  参考訳（メタデータ） (2025-08-27T14:38:46Z)
• Efficient and Personalized Mobile Health Event Prediction via Small Language Models [14.032049217103024]
  SLM(Small Language Models)は、プライバシーと計算の問題を解決するための候補である。 本稿では、ステップ、カロリー、睡眠時間、その他の重要な統計データなどの健康データを正確に分析する能力について検討する。 以上の結果から,SLMはウェアラブルやモバイルデバイス上でリアルタイムの健康モニタリングに活用できる可能性が示唆された。
  論文  参考訳（メタデータ） (2024-09-17T01:57:57Z)
• Guiding IoT-Based Healthcare Alert Systems with Large Language Models [22.54714587190204]
  医療アラートシステム(HAS)は、人工知能(AI)、IoT(Internet of Things)技術の進歩、健康意識の向上など、急速に進化している。 パーソナライズされたヘルスアラートの正確さと、リソースに制約されたHAS環境における厳格なプライバシー保護のバランス。 本稿では,Large Language Models (LLM) をHASに組み込んだ一様フレームワーク LLM-HAS を導入し,その精度を大幅に向上させ,ユーザのプライバシーを確保し,パーソナライズされたヘルスサービスを強化する。
  論文  参考訳（メタデータ） (2024-08-23T13:55:36Z)
• Generative AI-Driven Human Digital Twin in IoT-Healthcare: A Comprehensive Survey [53.691704671844406]
  IoT(Internet of Things)は、特にヘルスケアにおいて、人間の生活の質を大幅に向上させる。 ヒトデジタルツイン(HDT)は、個体の複製を包括的に特徴付ける革新的なパラダイムとして提案されている。 HDTは、多用途で生き生きとした人間のデジタルテストベッドとして機能することで、医療監視の応用を超えて、IoTヘルスの強化を図っている。 最近、生成人工知能(GAI)は、高度なAIアルゴリズムを利用して、多種多様なデータを自動的に生成、操作、修正できるため、有望なソリューションである可能性がある。
  論文  参考訳（メタデータ） (2024-01-22T03:17:41Z)
• Blockchain-empowered Federated Learning for Healthcare Metaverses: User-centric Incentive Mechanism with Optimal Data Freshness [66.3982155172418]
  まず、医療メタバースのための分散型フェデレートラーニング(FL)に基づく、ユーザ中心のプライバシ保護フレームワークを設計する。 次に,情報時代(AoI)を有効データ更新度指標として利用し,観測理論(PT)に基づくAoIベースの契約理論モデルを提案し,センシングデータ共有の動機付けを行う。
  論文  参考訳（メタデータ） (2023-07-29T12:54:03Z)
• Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
  本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。 我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。 多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-06-15T17:55:05Z)
• A health telemonitoring platform based on data integration from different sources [20.878143912804983]
  長期または慢性疾患の人々の管理は、国家の健康システムにとって最大の課題の1つである。 本稿では,医療用遠隔監視プラットフォームの実装について紹介する。このプラットフォームは,様々な消費者モバイルおよびカスタムデバイスから,さまざまな生理的健康パラメータをキャプチャするように設計されている。 このプラットフォームは、機械学習アルゴリズムを使って取得したデータを処理し、患者や医師に生理的健康パラメーターをユーザーフレンドリで総合的で理解しやすいダッシュボードで提供し、時間を通してパラメータを監視するように設計されている。
  論文  参考訳（メタデータ） (2022-07-28T07:13:04Z)
• MedPerf: Open Benchmarking Platform for Medical Artificial Intelligence using Federated Evaluation [110.31526448744096]
  この可能性を解き明かすには、大規模な異種データに対して医療AIモデルの性能を測定する体系的な方法が必要である、と私たちは主張する。 MedPerfは、医療分野で機械学習をベンチマークするためのオープンフレームワークです。
  論文  参考訳（メタデータ） (2021-09-29T18:09:41Z)
• FedHome: Cloud-Edge based Personalized Federated Learning for In-Home Health Monitoring [39.36361256682276]
  在宅健康モニタリングは、世界中の高齢層に大きな注目を集めている。 既存の家庭内健康モニタリングのアプローチは、ユーザのデータプライバシに十分な注意を払わない。 FedHomeは、家庭内健康モニタリングのための新しいクラウドエッジのフェデレーション学習フレームワークです。
  論文  参考訳（メタデータ） (2020-12-14T12:04:44Z)
• Privacy-preserving medical image analysis [53.4844489668116]
  医用画像におけるプライバシ保護機械学習(PPML)のためのソフトウェアフレームワークであるPriMIAを提案する。 集合型学習モデルの分類性能は,未発見データセットの人間専門家と比較して有意に良好である。 グラデーションベースのモデル反転攻撃に対するフレームワークのセキュリティを実証的に評価する。
  論文  参考訳（メタデータ） (2020-12-10T13:56:00Z)
• MET: Multimodal Perception of Engagement for Telehealth [52.54282887530756]
  ビデオから人間のエンゲージメントレベルを知覚する学習ベースアルゴリズムMETを提案する。 我々はメンタルヘルス患者のエンゲージメント検出のための新しいデータセットMEDICAをリリースした。
  論文  参考訳（メタデータ） (2020-11-17T15:18:38Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。