基于传感器的智能可穿戴模型用于使用基于注意力的双向长短期记忆 (SFOA-Bi-LSTM) 的羊群优化算法监测药物坚持
Yasser Alatawi1, Palanisamy Amirthalingam1, Narmatha Chellamani2
1Department of Pharmacy Practice, Faculty of Pharmacy, University of Tabuk, Tabuk, Saudi Arabia.
Digital health
|June 16, 2025
概括
这项研究引入了一个智能可穿戴传感器系统,使用深度学习来预测药物坚持 (MA). 新型SFOA-Bi-LSTM模型实现了高精度,为医疗保健专业人员提供了一个有前途的工具来监测患者的MA.
科学领域:
- 生物医学工程 生物医学工程
- 医疗保健中的人工智能
- 可穿戴技术可穿戴技术
背景情况:
- 药物坚持 (MA) 对于有效的患者治疗和治疗结果至关重要.
- 传感器技术可以持续监测患者的MA行为,这代表了重大进步.
- 精确的MA监测对于改善患者健康和降低医疗保健成本至关重要.
研究的目的:
- 实施由深度学习 (DL) 驱动的智能可穿戴传感器设备,用于预测药物使用行为.
- 开发一种新的手势识别系统,使用可穿戴传感器进行MA预测.
- 评估先进的DL技术在分析复杂的MA数据模式中的有效性.
主要方法:
- 在智能可穿戴设备中利用加速度计和陀螺仪传感器来捕获手部运动数据.
- 开发了一个深度学习模型,羊群优化算法基于注意力的双向长期短期记忆网络 (SFOA-Bi-LSTM),用于MA行为分类.
- 采用Z-score规范化用于数据预处理和SFOA方法用于基于注意力的Bi-LSTM模型的超参数优化.
主要成果:
- 该SFOA-Bi-LSTM模型表现出高性能,准确度为98.90%,回忆率为97.80%,精度为98.80%,F1得分为98.62%.
- 在通过手势识别来预测药物坚持行为方面取得了很好的结果.
- 该模型的性能使用五倍交叉验证方法进行了验证.
结论:
- 在医疗保健应用中,SFOA-Bi-LSTM模型显示了监测药物遵守的巨大潜力.
- 该模型在超参数调整,特征表示和时间分析方面具有优势,优于传统方法.
- 由于有效的预处理,该系统对杂的数据具有强大耐受性,使其成为医疗保健专业人员可靠的工具.
