《国际计算机应用技术杂志》的研究介绍了一种混合分类算法，旨在利用智能手机数据改善对人类活动的识别。该研究可能对包括医疗保健和个人支持在内的各个领域产生影响。

沙特阿拉伯利雅得的阿拉伯王子大学和埃及班哈大学的Ahmad Taher Azar希望展示一种准确分类六种不同人类活动的工具：躺卧、坐着、站立、步行、上楼和下楼。为此，他使用了融合了随机森林决策树（RFDT）和神经网络（NN）的监督机器学习技术。

这种混合方法能够以96%的准确率分类六种人类活动。这超过了个别机器学习技术如NN或RFDT的性能，并且与目前最先进的方法相媲美。然而，这个算法的独特之处在于其处理效率。相较于需要超过1.5秒的卷积神经网络（CNN）在相同任务下达到类似准确率的情况下，这种混合算法只需要0.073秒即可从智能手机行为中推断出活动行为。

Azar的研究强调了这种效率提升的实用性，它可以使智能手机数据实时处理，即使在没有专门用于应对此类任务的内置计算机处理单元的设备上也可以。这个能力具有重要的意义，尤其是在迫切和准确的活动识别至关重要的情况下，比如在医疗保健和个人支持应用中。一个特别及时的应用是在所谓的"虚拟病房"上提供患者支持和监测，患者通常留在家中，通过远程使用远程医疗工具进行监测和咨询。

值得注意的是，这类研究还存在一些挑战。只要人们始终携带智能手机，基本动作的识别，如上楼或躺下，是可行的。然而，需要更深入地识别情绪状态和其他对个人健康和幸福重要的因素。