使用MOX2-5传感器在真实和合成数据集中的体力活动传感器观测的语义表示和比较分析:一个概念验证研究
Ayan Chatterjee1,2, Martin W Gerdes3, Andreas Prinz3
1Department of Holistic Systems, Simula Metropolitan Center for Digital Engineering, Oslo, Norway. ayan.chatterjee@uia.no.
Scientific reports
|February 27, 2024
概括
这项研究引入了一个语义本体学和生成AI,以改进体育活动数据分析. 利用带有医疗级传感器的合成数据,研究人员提高了活动分类的模型公平性和预测准确性.
科学领域:
- 可穿戴技术和传感器数据分析.
- 医疗保健中的人工智能和机器学习
- 数据科学和知识表示数据科学和知识表示
背景情况:
- 可穿戴式传感器为人类行为洞察产生了大量数据集,但数据收集的挑战阻碍了研究.
- 缺乏多样化,全面的数据集限制了体育活动监测中的算法开发.
- 像MOX2-5这样的医疗级传感器提供高分辨率数据,但需要结构化表示.
研究的目的:
- 通过语义表示和合成数据生成,增强体育活动数据集的可用性.
- 为物理活动传感器观测创建一个语义本体学.
- 评估合成数据在缓解模型偏差和促进公平性方面的有效性.
主要方法:
- 使用高斯卡普拉,CTGAN和TABGAN方法生成合成数据集.
- 开发了一种多层感知器 (MLP) 分类模型用于活动识别.
- 创建了一个用于语义上表示MOX2-5传感器数据的本体学.
主要成果:
- 语义本体学改善了数据的互操作性,搜索,集成和推理.
- 增加合成训练数据量提高了预测模型的效率.
- 对比分析显示了合成数据在减轻偏见和促进公平方面的潜力.
结论:
- 本体学和生成人工智能可以加速行为监测研究.
- 结合真实和合成MOX2-5数据集对活动分类方法有价值.
- 对合成数据的进一步研究包括模型效率,检测和隐私.
