通过可穿戴设备预测倦怠风险:初步评估

科学领域:

• 数字健康数字健康
• 医疗保健中的机器学习
• 职业健康 职业健康 职业健康

背景情况:

• 倦怠症候群带来了重大的健康风险,由于依赖自我报告问卷,往往被诊断为迟.
• 可穿戴设备提供连续的,不引人注目的数据收集,用于早期检测心理健康状况,如倦怠.
• 机器学习有可能分析生理数据,用于早期燃烧风险评估.

研究的目的:

• 用可穿戴设备的生理数据研究基于机器学习的基线倦怠风险预测.
• 评估跨认知,情感和身体倦怠维度的预测性能.
• 为了确定燃烧风险检测的关键生理特征.

主要方法:

• 在为期9个月的纵向研究的最初30天中,利用了239名参与者的数据.
• 使用智能手表对生理特征 (睡眠,心脏,压力) 的综合平均值和标准偏差.
• 应用机器学习模型来预测基线倦怠风险在认知,情感和身体维度.

主要成果:

• 模型实现了0.66的认知疲劳和0.68的身体疲劳风险的平衡准确度.
• 对情绪疲劳风险的预测性能较低 (0.55平衡精度).
• 睡眠,心脏和与压力相关的生理特征是关键预测因素.

结论:

• 可穿戴设备数据和机器学习显示了早期检测认知和身体倦怠症状的潜力.
• 情绪疲预测需要进一步改进,可能通过整合额外的数据源.
• 未来的工作将集中在特征工程和纵向数据分析上,以提高预测准确度.