用智能手表的PPG信号进行情绪识别,用于威胁检测
Gyuwon Hwang1, Sohee Yoo1, Jaehyun Yoo1
1School of AI Convergence, Sungshin Women's University, 34 da-gil 2, Bomun-ro, Seongbuk-gu, Seoul 02844, Republic of Korea.
Sensors (Basel, Switzerland)
|January 11, 2025
概括
这项研究使用机器学习和高斯混合模型来改进智能手表光电图 (PPG) 信号的威胁检测. 在现实的虚拟现实场景中,过模两可的数据可以提高23%的准确性.
科学领域:
- 生理信号处理 物理信号处理
- 机器学习应用程序 机器学习应用程序
- 人与计算机的互动.
背景情况:
- 准确的威胁检测依赖于高质量的标记训练数据.
- 培训数据中的模两可的威胁标签对监督学习模型构成了重大挑战.
- 来自商业智能手表的光电脉冲图 (PPG) 信号为生理监测提供了一种非侵入性的方法.
研究的目的:
- 开发一种机器学习方法,使用短期的PPG信号来检测威胁.
- 为了应对在威胁检测中含糊不清的数据标签的挑战.
- 提高威胁检测系统的准确性和可靠性.
主要方法:
- 利用高斯混合模型 (GMMs) 识别和删除含糊地标记的训练数据.
- 应用GMM来过测试数据集中的模两可的数据点.
- 在虚拟现实 (VR) 恐怖游戏中从参与者那里收集PPG数据进行现实测试.
主要成果:
- 提出的基于GMM的过方法显著提高了预测准确度.
- 与没有GMM过的方法相比,观察到预测准确度有23%的改善.
- 该方法在现实的威胁检测场景中表现出优于其他方法的优势.
结论:
- 高斯混合模型有效地减轻了模糊标签在威胁检测中的影响.
- 过模两可的数据可以提高基于PPG的威胁检测机器学习模型的性能.
- 拟议的方法为在现实应用中准确检测威胁提供了强大的解决方案.
更多相关视频
08:22Author Spotlight: Advancing the Study of Brain-Heart Interplay with a Comprehensive EEGLAB Plugin for Multimodal Signal Analysis
Published on: April 26, 2024
1.7K
06:37Author Spotlight: Addressing Technical and Subjective Challenges in Measuring Classroom Attention
Published on: December 15, 2023
2.6K
