HairSentinel:一个时间感知异常检测框架,用于使用时间融合变压器预测脱发趋势
A Anny Leema1, T Saktheshwaran2, G Reena Sri2
1Analytics Department, School of Computer Science and Engineering, Vellore Institute of Technology, Vellore, Tamil Nadu, India.
Frontiers in artificial intelligence
|October 30, 2025
概括
本研究介绍了一种用户友好的方法,可以通过简单的问题和时间序列分析来跟踪脱发趋势. 时间融合变压器 (TFT) 模型准确地检测异常,有助于早期识别健康风险.
科学领域:
- 计算生物学和生物信息学
- 医疗信息学 医疗信息学
- 数据科学是数据科学.
背景情况:
- 脱发是一个广泛的担忧,受遗传学,头皮健康,营养,激素和睡眠的影响.
- 传统的脱发检测方法依赖于复杂的图像分析 (CNN,SVM),限制了可访问性.
- 需要更简单,以用户为中心的方法来监测随着时间的推移的脱发模式.
研究的目的:
- 开发和验证一种使用时间序列数据检测脱发趋势的新,用户友好的方法.
- 为了比较不同时间序列异常检测模型的有效性,用于脱发分析.
- 建立一个系统,主动识别与发型波动相关的潜在健康风险.
主要方法:
- 用户提供的数据通过简单的,以时间为中心的问题 (每天/每周) 收集.
- 使用LSTM,随机森林,时间融合变压器 (TFT) 和ARIMAX模型进行时间序列异常检测.
- 基于各种绩效指标的模型的比较分析.
主要成果:
- 时间融合变压器 (TFT) 模型表现出卓越的性能.
- 在发的异常检测中,TFT实现了97.5%的准确性和97.4%的精度.
- 该研究成功地确定了脱发周期的正常偏差边缘.
结论:
- 提出的用户友好方法有效地模拟了脱发波动.
- 在脱发数据中,TFT是最适合用于主动检测异常的模型.
- 这种方法有助于早期识别健康风险,如荷尔蒙失衡,并支持个性化的饮食建议.
