个性化健康预测人工智能模型使用转移学习和战略过度装配对可穿戴设备数据
Inyong Jeong1, Seokjin Kong1, Yeongmin Kim1
1Department of Biomedical Informatics, Korea University College of Medicine, Seoul, Republic of Korea.
Journal of medical systems
|April 8, 2025
概括
个性化的可穿戴健康模型通过故意过拟合用户数据和使用转移学习来提高准确性. 这种量身定制的方法可以提高对个体健康状况和情绪的预测.
科学领域:
- 数字健康数字健康
- 医疗保健中的机器学习
- 可穿戴技术可穿戴技术
背景情况:
- 可穿戴设备产生大量的个人健康数据.
- 传统的健康模型使用聚合数据,限制了个性化.
- 开发特定于用户的预测模型是一个关键的挑战.
研究的目的:
- 通过使用可穿戴数据来研究健康监测的个性化学习方法.
- 为了评估故意过度装配与转移学习相结合的有效性.
- 使用特定用户模型预测下一天的状态和下一天的情绪.
主要方法:
- 故意将机器学习模型与个人用户数据相匹配.
- 应用转移学习来完善个性化模型.
- 利用来自身体活动,睡眠,环境和自我报告的特征.
- 在特征重要性分析中使用沙普利的附加解释.
主要成果:
- 个性化模型在十天的用户特定培训内显著提高了准确性.
- 蓄意的过拟合和转移学习改善了个人的预测性能.
- 各个人的特征重要性差异很大,这凸显了对量身定制模型的需求.
- 整个队列的概括减少了个体化后的量身定制,但个人数据的准确性增加了.
结论:
- 结合故意的过拟合和转移学习,显示出高性能,用户特定的预测模型的前景.
- 个性化的数字健康解决方案可以通过这些先进的机器学习技术得到支持.
- 未来的研究应该专注于更大的队列和延长的培训时间,以进一步改进.
