个性化压力移动传感使用自我监督的预训练

科学领域:

• 移动传感和可穿戴技术
• 机器学习用于健康.
• 数字健康和个性化医疗

背景情况:

• 压力是一个主要的健康问题,通过可穿戴设备实时预测可以实现及时干预.
• 电皮活动 (EDA) 是压力的常见生物信号,但机器学习预测面临主观标签和稀疏数据等挑战.
• 模型个性化,为每个用户培训单独的模型,是解决这些挑战的有希望的方法.

研究的目的:

• 调查自主监督学习 (SSL) 对于预训神经网络进行个性化压力预测的有效性.
• 通过个性化模型培训,通过最小的用户标记数据实现准确的压力检测.
• 提高移动传感的可行性,以应对压力等复杂和主观的健康结果.

主要方法:

• 在生物信号数据上使用一维卷积神经网络 (1D CNN) 进行预训练,并使用自我监督学习 (SSL) 进行自我监督学习.
• 雇佣模型个性化,为每个用户培训个性化压力预测模型.
• 评估了可穿戴式压力和影响检测 (WESAD) 数据集的方法,将SSL预训练模型与监督基线进行比较.

主要成果:

• 通过SSL预训练,个性化模型能够超过监督的基线.
• 与非个性化的SSL模型相比,使用SSL训练的模型需要少于30%的标记数据才能达到同等的性能.
• 证明了SSL学习嵌入的有效性,用于个性化压力预测.

结论:

• 使用SSL预训练进行个性化压力预测是有效的,数据效率高.
• 这种方法促进了精确的卫生系统,需要最小的用户注释.
• 能够实现先进的移动传感,用于主观和异质的健康结果,如压力.