低样本和累积类重新决定方法,以改善痴呆症患者的激动性检测
Zhidong Meng1,2,3, Andrea Iaboni2,4, Bing Ye3
1School of Automation, Beijing Institute of Technology, Beijing, 100081 China.
Biomedical engineering letters
|January 8, 2024
概括
这项研究使用可穿戴传感器改善了痴呆症 (PwD) 患者的激动检测. 将低样本数据与新型CCR方法相结合,可以提高准确性和效率,从而提高护理的安全性.
科学领域:
- 老年学是指老年学的学科.
- 生物医学工程 生物医学工程
- 医疗保健中的机器学习
背景情况:
- 兴奋是痴呆症患者 (PwD) 的常见高风险症状,需要客观的检测方法来确保住院护理的安全.
- 之前的研究利用可穿戴传感器数据开发机器学习模型来检测动,但面临不平衡数据集和不准确标签的挑战.
研究的目的:
- 解决数据不平衡问题,提高机器学习模型的准确性,以检测痴呆症患者的焦虑.
- 引入和评估加权低样本方法和累积类重新决定 (CCR) 后处理技术.
主要方法:
- 实施了各种低样本技术,确定20%的正常行为数据足以用于模型训练.
- 在模糊的时间假设下,开发了一种加权的低样本方法来评估手动标签.
- 提出了累积类重新决定 (CCR) 方法,利用历史数据和煽动的连续性.
主要成果:
- 低采样方法有效地解决了数据不平衡,使得模型具有竞争性.
- 低样本和CCR的组合显著改善了F1分数和其他绩效指标.
- 提出的方法减少了培训时间和数据要求.
结论:
- 数据低采样和新型CCR后处理方法提高了痴呆症患者激动检测系统的性能.
- 这些优化的方法为监测和管理住宅环境中的骚动提供了更有效,更准确的解决方案.
- 这些发现支持开发用于痴呆症护理的实用,以安全为重点的技术干预措施.
