信号处理和机器学习,通过皮肤的酒精度来预测自然环境的酒精消耗

科学领域:

• 生物医学工程 生物医学工程
• 数据科学数据科学数据科学
• 酒精研究 酒精研究

背景情况:

• 佩戴在手腕上的酒精生物传感器可以在自然环境中持续,谨慎地监测透皮酒精度 (TAC).
• 目前的局限性包括缺乏用于信号处理和酒精事件检测的标准化方法.
• 这种差距阻碍了这些设备在酒精研究中的可靠使用.

研究的目的:

• 开发和验证一个软件管道,用于处理手腕穿戴的酒精生物传感器数据.
• 通过信号处理和机器学习提高检测酒精消费事件的准确性.
• 在研究中提高通过皮肤监测酒精的效率和可靠性.

主要方法:

• 创建了一个新的软件管道来处理来自BACtrack Skyn生物传感器的原始数据 (TAC,温度,运动).
• 对生物学上不可信的温度读数进行了选,并纠正了TAC文物.
• 机器学习模型 (随机森林,物流回归) 使用TAC特征进行训练,以预测酒精消费.

主要成果:

• 与原始数据相比,数据工件校正将模型准确度提高了10%.
• 随机森林和物流回归模型在预测酒精消费事件时都达到了97%的准确性.
• 关键的预测特征包括 TAC 曲线下的面积, TAC 增加的持续时间和 TAC 峰值.

结论:

• 开发的软件管道有效地处理了手腕穿戴的酒精生物传感器数据.
• 机器学习模型在检测酒精消费事件方面表现出很高的准确性.
• 该协议显著提高了TAC传感器的效率和可靠性,用于未来的酒精研究.