设备上半监督活动检测:一种新的隐私意识的个性化健康监控方法
Avirup Roy1, Hrishikesh Dutta1, Amit Kumar Bhuyan1
1Department of Electrical and Computer Engineering, Michigan State University, East Lansing, MI 48824, USA.
Sensors (Basel, Switzerland)
|July 27, 2024
概括
本研究介绍了使用半监督学习 (SSL) 实时检测人类活动的设备系统. 它能够高准确地有效地识别不健康的久坐行为,保护用户的隐私.
科学领域:
- * 广泛的计算和机器学习用于健康监测.
- *用于识别人类活动的可穿戴传感器数据分析.
背景情况:
- * 越来越需要持续的健康监测,以检测久坐的生活方式.
- * 传统的监督学习在隐私敏感应用程序中的局限性.
研究的目的:
- * 开发一个设备上的,半监督的人类活动检测系统.
- * 为了实时监控和检测不健康的久坐行为.
- *通过用户特定的模型培训来确保数据隐私.
主要方法:
- *实施半监督学习 (SSL) 框架,利用惯性测量单元 (IMU) 传感器数据.
- *开发基于个人用户数据的基于集群的学习模型.
- * 应用基于人口和基于距离的集群标签策略.
- * 准确性和计算复杂性之间的权衡分析.
主要成果:
- *实现了高分类准确度,达到高达90-100%.
- * 计算效率高的系统,CPU内存使用量最小 (<= 20 KB).
- * 在各种算法参数和超参数中证明了有效性.
结论:
- * 拟议的SSL系统为设备上的人类活动检测提供了准确和高效的解决方案.
- * 实现了个性化的活动检测,同时保持严格的数据隐私.
- * 该系统适用于资源有限的可穿戴设备,用于健康监测.


