向人类活动与单一统一神经网络分类的同时识别:第一步
Andrew Smith1, Musa Azeem1, Chrisogonas O Odhiambo1
1Department of Computer Science and Engineering, University of South Carolina, Columbia, SC 29208, USA.
Sensors (Basel, Switzerland)
|July 27, 2024
概括
研究人员使用智能手表追踪吸烟和炼等行为,训练人工智能模型准确识别这些活动. 这项技术可以帮助理解健康行为,并改善患者的护理.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的人工智能
- 行为科学 行为科学
背景情况:
- 了解人类行为是模拟健康的关键.
- 可穿戴技术允许对日常活动进行不显眼的监控.
- 被动量化行为对于将其与健康结果联系起来至关重要.
研究的目的:
- 开发和验证一种人工智能驱动的方法,使用智能手表数据识别人类健康行为.
- 评估深度神经网络在分段时间序列活动数据中的性能.
- 探索AI在医疗保健中的诊断,预后和干预方面的潜力.
主要方法:
- 60名成年参与者在实验室中模仿特定的行为 (吸烟,运动,饮食,服用药物).
- 在这些活动期间,智能手表捕获了加速度计数据.
- 一个深度神经网络 (CNN-LSTM) 在注释数据上进行了训练,用于活动细分.
主要成果:
- 人工智能模型通过leave-one-subject-out交叉验证实现了至少85.1%的平均宏观F1得分.
- 这表明了在区分各种人类行为的高性能.
- 这些发现凸显了该方法在现实世界健康应用中的潜力.
结论:
- 人工智能,特别是使用传感器数据的深度学习,可以有效地描述人类的健康行为.
- 这项技术为早期医疗干预和个性化患者护理提供了一个有前途的工具.
- 人工智能可以支持医疗保健专业人员做出数据驱动的决策,以改善健康结果.
