机器学习对有限,多模式和纵向行为被动传感数据的预测进行排名的框架:结合用户不可知和个性化建模

科学领域:

• 数字健康数字健康
• 移动健康 (mHealth) 服务提供商
• 生物医学数据科学 生物医学数据科学

背景情况:

• 被动移动传感提供远程健康监测,但面临着小,杂和不完整的纵向数据的挑战.
• 当前的机器学习 (ML) 模型在有限的数据中扎,通常需要在用户不可知和个性化方法之间进行权衡,从而导致低于最佳的预测.

研究的目的:

• 开发一种新的框架 (FLMS) 来处理和预测健康研究中小型,多式联络,纵向传感器数据的结果.
• 将用户不可知和个性化的建模策略与先进的排名技术集成在一起,以提高预测准确性.

主要方法:

• 介绍了纵向多式传感器 (FLMS) 框架,其中包含基于张量的聚合和排名.
• 实现了传感器融合技术和平衡的用户不可知性,使用交叉验证进行个性化建模.
• 在患有重度抑郁症的青少年的真实数据集上验证了FLMS框架.

主要成果:

• 在FLMS框架中,在现实数据集上,准确度增加了7%,回忆率增加了13%.
• 与最先进的ML算法相比,FLMS在抑郁症预测方面的准确性提高了11%,有效处理数据稀疏性和过度匹配.

结论:

• 该FLMS框架解决了用于健康应用的小型被动传感器数据集建模的关键差距.
• 通过协同结合用户不可知和个性化的建模与有效的预测过,FLMS增强了在临床研究中移动传感的实用性.