使用大型语言模型对传感器数据进行短拍优化:关于疲劳检测的案例研究

科学领域:

• 机器学习 机器学习
• 信号处理 信号处理
• 可穿戴技术可穿戴技术

背景情况:

• 对于有限的标记数据,Few-shot提示是有效的,但对示例选择质量敏感.
• 基于传感器的分类任务,如疲劳检测,由于复杂的数据模式和可变性,需要细微的示例选择.

研究的目的:

• 引入一种新的几拍优化方法,即混合欧几里德距离与大语言模型 (HED-LM),以改进示例选择.
• 通过优化训练示例的选择,提高基于传感器的分类任务的性能,特别是疲劳检测.

主要方法:

• HED-LM采用混合管道:使用欧几里德距离过候选示例,并根据大型语言模型 (LLM) 的上下文相关性得分重新排名它们.
• 该方法在使用加速度计数据的疲劳检测任务上得到了验证,该方法以重叠模式和高个体间变异性而闻名.

主要成果:

• 在疲劳检测中,HED-LM 实现了 69.13 ± 10.71% 的平均宏观 F1 评分.
• 这显著优于随机选择 (59.30 ± 10.13%) 和距离仅过 (67.61 ± 11.39%),相对改善分别为16.6%和2.3%.

结论:

• 将数值相似性 (欧几里德距离) 与上下文相关性 (LLM) 结合起来,可以提高几次拍摄提示的稳定性.
• HED-LM为现实世界基于传感器的学习提供了实用方法,并且在医疗监测,活动识别和工业安全方面具有潜力.