使用可穿戴设备数据的机器学习方法检测疲劳

科学领域:

• 生物医学工程 生物医学工程
• 数字健康数字健康
• 可穿戴技术可穿戴技术

背景情况:

• 慢性疲劳是免疫媒介炎症疾病的主要症状,如系统性红斑狼 (SLE) 和Sjögren病 (SjD).
• 目前的疲劳评估主要使用主观的自我报告问卷.
• 需要客观的,被动的措施来补充主观的数据,并提供对疲劳对日常生活的影响更深入的见解.

研究的目的:

• 客观地估计SLE和SjD患者的疲劳,使用加速度计数据和机器学习.
• 为了比较客观的疲劳指标与人口统计学上匹配的健康志愿者 (HNV).
• 探索可穿戴设备在开发疲劳数字生物标志物方面的潜力.

主要方法:

• 在24周内收集了96名参与者的加速度计数据,使用ActiGraph中心点洞察观察在自由生活环境中.
• 从原始加速度计数据中提取基于活动,基于睡眠和昼夜节律的特征.
• 训练了一种机器学习分类器来区分日常疲劳状态 (疲劳/不疲劳) 并使用交叉验证进行评估.

主要成果:

• 机器学习模型有效地区分了疲劳状态与比随机性能更好.
• 单独的加速度计特征在疲劳检测中与单独的基线参与者特征相似.
• 模型性能 (ROC-AUC) 在单个队列中从0.440.70不等,在组合时改善到0.760.83.

结论:

• 可穿戴设备显示出开发疲劳的客观数字生物标志物的巨大潜力.
• 这些数字生物标志物可以帮助评估各种治疗领域的治疗反应.
• 客观的疲劳监测可以为主观的患者报告提供有价值的补充数据.