基于数据融合的质量提升,用于通过可穿戴传感器收集的HR测量

科学领域:

• 生物医学工程 生物医学工程
• 老年学是一门学科.
• 数据科学数据科学数据科学

背景情况:

• 物联网 (IoT) 使智能传感器能够在老年人中进行持续的生物生理学监测.
• 穿戴式传感器数据质量通常会受到噪音的影响,例如运动器件.
• 目前使用总结统计数据的拒绝方法忽略了固有的生理模式.

研究的目的:

• 提高老年人生物生理学监测数据的质量.
• 提出一种新的功能数据分析 (FDA) 方法来改善心率 (HR) 数据.
• 开发一种数据融合方法,使用贝叶斯推理进行个性化HR模式估计.

主要方法:

• 开发了一种功能数据分析 (FDA) 建模方法,以学习个体的日常心率 (HR) 模式.
• 使用贝叶斯推理框架实施了数据融合方法,以整合历史和新收集的数据.
• 该方法在来自对在辅助生活和家庭环境中的老年人进行前性研究的HR数据上进行了测试.

主要成果:

• 提出的方法通过学习个性化的人力资源模式,有效地提高了数据质量.
• 与原始数据和传统方法相比,数据融合方法提高了HR估计的准确性和精度.
• 通过个性化HR模式估计来个性化医疗保健被证明是至关重要的.

结论:

• 功能数据分析和贝叶斯推理为提高可穿戴传感器数据质量提供了强大的框架.
• 对日常心率模式的个性化估计对于老年人准确监测至关重要.
• 开发的方法提供了更准确和精确的心率估计,支持更好的医疗保健决策.