关于联合学习在心理状态检测和人类活动识别中的应用的系统调查
Albin Grataloup1, Mascha Kurpicz-Briki1
1Bern University of Applied Sciences, Technik und Informatik, Biel, Switzerland.
Frontiers in digital health
|December 12, 2024
概括
本综述探讨了精神健康和人类活动识别中的联合学习 (FL) 应用. 它总结了当前的研究,确定了知识差距,并建议了这个不断发展的领域的未来方向.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 医疗保健技术 技术 医疗保健 技术
背景情况:
- 联合学习 (FL) 能够实现去中心化机器学习,这对于心理健康记录和活动数据等敏感数据至关重要.
- 保护隐私的人工智能在数字健康和可穿戴技术应用中越来越重要.
- 现有的审查缺乏对FL在心理健康和人类活动识别中的作用的集中综合.
研究的目的:
- 系统地审查和综合联邦学习 (FL) 在心理健康和人类活动识别中的当前应用.
- 确定这些领域的FL研究中的关键趋势,共同的方法和普遍的挑战.
- 突出研究缺口,并提出未来的研究途径,以推进隐私敏感的人工智能应用中的FL.
主要方法:
- 在主要的科学数据库中进行了全面的文献搜索.
- 研究被系统地选,并根据预先定义的纳入标准进行选择.
- 包括的研究被分析为出版年,具体任务,数据集属性,FL算法和个性化策略.
主要成果:
- 联合学习正在越来越多地被用于心理健康分析和人类活动识别.
- 使用各种FL算法和个性化技术,成功程度各不相同.
- 在不同研究中,数据集特征和任务定义存在显著的异质性.
结论:
- 联合学习显示了隐私保护AI在心理健康和人类活动识别方面的重大前景.
- 需要进一步的研究来标准化方法,解决数据异质性,并提高FL模型的稳定性.
- 本综述提供了一个基本的概述,以指导FL在这些关键领域的未来发展和实施.
