在活动识别和人类识别的背景下对心电图和运动信号进行比较评估

科学领域:

• 生物医学工程 生物医学工程
• 信号处理 信号处理
• 机器学习 机器学习

背景情况:

• 无监督人类活动识别 (HAR) 和对象识别对于医疗保健和监测至关重要.
• 电心电图 (ECG) 和加速度计 (ACC) 信号为这些任务提供了潜在的生理和基于运动的数据.
• 在无监督环境中评估单个和组合传感器的性能至关重要.

研究的目的:

• 为了比较分析心电图和ACC数据对于无监督的人类活动识别和对象识别的有效性.
• 评估每个模式单独和组合的性能.
• 为了确定特定识别目标的最佳传感器模式.

主要方法:

• 在日常生活活动中收集了30名参与者的ECG和ACC数据.
• 应用基于距离的信号比较和集群技术.
• 通过标准化相互信息 (NMI) 和准确性等指标评估绩效.

主要成果:

• 在活动识别方面,ACC信号获得了更高的性能 (NMI=0.728,精度=0.817).
• 电脑心电图信号显示出对主体识别的优异区分能力 (NMI=0.641,精度=0.500).
• 结合ACC和ECG数据导致这两项任务的性能下降.

结论:

• ACC更适合无监督活动识别,而ECG更适合对象识别.
• ACC和ECG信号的多模式融合没有提高性能,并引入了变化.
• 传感器模式的选择应根据无监督场景中的特定识别目标进行量身定制.