赋予城市健康的参与性研究权力:可穿戴生物识别和环境传感器用于活动识别

科学领域:

• 环境健康 环境健康
• 计算机科学 计算机科学
• 人与计算机的交互

背景情况:

• 传统的暴露研究依赖于时间活动日记,这对参与者来说是繁重的.
• 可穿戴式传感器为自动化人类活动识别 (HAR) 提供了一个潜在的解决方案.
• 在特定的环境条件下识别复杂的活动对哈尔提出了挑战.

研究的目的:

• 开发和评估基于机器学习 (ML) 的方法,用于使用可穿戴传感器的非专业人士驱动的人类活动识别 (HAR).
• 评估环境传感器数据对参与性暴露研究中的HAR准确度的影响.
• 探索可解释的ML算法的适应性,以实现可访问性和包容性.

主要方法:

• 在城市应激因素暴露研究中,组合可穿戴的环境/环境和手腕穿戴的活动/生物识别传感器.
• 从两个组 (N=106) 收集数据,手动记录频率不同.
• 使用k-最近邻居 (IBk),决策树 (J48) 和随机森林 (RF) 来进行活动分类.

主要成果:

• 精度提高,时间分辨率更精细,活动类别更详细.
• 精确定义的活动 (吸烟,,跑步) 显示出较低的错误率,而模糊的活动 (休息,玩) 则有较高的错误分类.
• 整合环境传感器数据显著提高了所有活动的准确性,特别是游戏,吸烟和跑步.

结论:

• 机器学习对参与式暴露研究具有重大潜力,提高了适应能力和非专业人士的参与度.
• 虽然基于ML的HAR显示出希望,但需要进一步的研究来提高对不太明确的活动的准确性.
• 未来的工作应该探索各种可解释的AI算法和平台,以获得更广泛的适用性.