酒精生物传感器不磨损算法的开发:基于实验室的机器学习和基于现场的部署
Nathan A Didier1, Rachel L Gunn2, Andrea C King3
1Center for Alcohol and Addiction Studies, Brown University School of Public Health, 121 South Main Street, Providence, RI, 02903, USA. nathan_didier@brown.edu.
Scientific reports
|August 24, 2025
概括
一个新的算法准确地检测了手腕所佩戴的酒精生物传感器被移除时,提高了酒精消费研究的数据可靠性. 这种方法超越了传统的温度检查以精确检测不磨损.
科学领域:
- 生物医学工程
- 数据科学
- 酒精研究
背景情况:
- 使用手腕生物传感器进行持续的酒精监测是有价值的,但由于设备被移除,导致数据不准确.
- 现有的方法,如温度切断,不足以准确检测不磨损期.
- 没有地址的非磨损数据影响了酒精使用观察和中毒预测.
研究的目的:
- 开发和验证一种新的算法,用于准确地检测手腕使用的酒精生物传感器的不磨损间隔.
- 改进现有的基于温度的方法来识别设备的移除.
- 为研究和临床应用提高持续酒精监测数据的可靠性.
主要方法:
- 使用实验室数据训练了一种随机森林算法,其中包括温度,运动及其时间序列的二次系数.
- 第一个研究 (N=36) 涉及受控的无磨损期,以生成用于算法训练和验证的基准真实数据.
- 第二项研究 (N=114) 在为期四周的实地研究中部署了算法,以评估生物传感器对自我报告的坚持.
主要成果:
- 该算法在实验室环境中检测不磨损时具有高灵敏度 (0.96) 和确定磨损时具有特异性 (0.99).
- 在基于设备的交叉验证中,它显著超过了不可变的温度截止值 (25-30°C).
- 在实地研究中,该算法检测到每名参与者每天不穿 1.6 小时,与自我报告相比,温度切断更好.
结论:
- 开发的随机森林算法有效地准确地识别了手腕使用的酒精生物传感器的无磨损期.
- 这种方法比传统的以温度为基础的评估生物传感器附着性的方法有显著的改进.
- 该算法可以提高数据归算的准确性,从而使研究中与酒精相关的结果具有更客观的模型.


