在加州大学圣地亚哥分校的工程师们使用可穿戴过的，现成的技术和机器学习预测，第一次，一个人的血压和提供个性化的建议是基于该数据降低。他们的工作赢得了最佳论文的标题IEEE Healthcom 2018年，研究人员所知，这是第一次调查工作，每天的血压预测及其通过身打扮收集健康行为数据的关系。
当医生告诉他们的病人做出了很多显著改变生活方式，锻炼更多，睡眠的效果，降低盐的摄入量等等，它可以是压倒性的，而依从性不是很高，Sujit戴伊，论文的合着者说该主任 中心无线通信 在工程的加州大学圣地亚哥分校的雅各布学校，在那里他是电子和计算机工程系教授。
“如果我们能找出什么是一个健康的行为，大多数影响一个人的血压，并让他们专注于一个目标，相反，”戴伊问。
戴伊和共同创作宝韩江，研究生在移动系统设计实验室的电子和计算机工程在工程的加州大学圣地亚哥分校的雅各布学校部，由八名患者超过90天收集的睡眠，运动和血压数据使用FitBit Charge HR和Omron Evolv无线血压计。他们利用机器学习和来自现有可穿戴设备的数据，开发了一种算法来预测用户的血压，并显示哪些特定的健康行为对其影响最大。
这项研究证实了广义信息的个性化数据的重要性。虽然许多健康数据库添加大量的病人数据整合到一个模型中，考虑所有病人在一起，使健康的建议，在本研究中的个性化信息更有效。
例如，一个对象的血压的影响最大，他们整天久坐不动的分钟数。改变一个因素有显著的影响，在一个星期内降低15.4%的平均收缩压及舒张压14.2%。对于另一个问题上，他们上床睡觉的时间是根据它们的历史数据降低血压的最重要因素。当这个问题在前面一周前就上床睡觉了58分钟，他们经历了前一周的平均舒张压3.6%的下降收缩压和6.6%的下降。
Dey说：“这项研究表明，使用无线可穿戴设备和其他设备来收集和分析个人数据可以帮助患者从反应式护理过渡到持续护理。” “不要说‘我的血压高，因此我会去医生取药，’给予这种类型的系统的病人和医生的访问可以让他们来管理一个连续的基础上他们的症状。”