基于机器学习的方法论的性能评估,使用动态特征来检测在自由生活环境中的动态图数据中的不磨损间隔
Jyotirmoy Nirupam Das1, Linying Ji2, Yuqi Shen3
1Harold and Inge Marcus Department of Industrial and Manufacturing Engineering, The Pennsylvania State University, University Park, Pennsylvania, USA.
Sleep health
|January 9, 2025
概括
使用动态特征的新机器学习算法准确地识别了动态图数据中的非磨损时间,提高了可穿戴传感器的数据质量. 这种方法为没有不磨损传感器的设备提供了手动数据基准测试的替代方案.
科学领域:
- 可穿戴式传感器技术的技术.
- 机器学习在医疗保健中的应用
- 生物医学数据分析
背景情况:
- 可穿戴传感器对于健康监测至关重要,但非穿戴时间可能会影响数据质量.
- 确定无穿戴时间的主观方法可能会混行为摄影中的睡眠/清醒分类.
- 为了获得可靠的数据,开发客观的方法来识别不磨损事件至关重要.
研究的目的:
- 开发和评估一种机器学习算法,用于在动图数据中辨别磨损/不磨损情节.
- 通过客观地识别不穿时段,提高动图数据的准确性.
- 为没有专门的不磨损传感器的设备提供手动数据基准测试的替代方案.
主要方法:
- 利用极端梯度提升 (XGBoost),一个基于树的分类器,来分类磨损/不磨损事件.
- 补充了XGBoost,在各种时间窗口中计算出动态功能.
- 在一周内收集了853名就业成年人的数据,使用手腕动图.
主要成果:
- 与默认算法相比,XGBoost分类器显著提高了平衡精度,灵敏度和特异性.
- 动态特征被发现在磨损/非磨损分类中是有效的,正如夏普利添加物扩展 (SHAP) 值所示.
- 该算法准确地区分了有效日和无效日,并确定了无穿戴期的持续时间.
结论:
- 结合活动水平的动态特征,XGBoost提供了一种强大的方法来分类穿戴/不穿戴在动画中.
- 这种方法提高了可穿戴传感器的数据质量,特别是那些缺乏内置非穿戴检测的传感器.
- 开发的算法为分析来自actigraphy设备的大数据集提供了有价值的工具.
