XNet:通过注意力多域融合和视觉分析增强体力活动强度评估

科学领域:

• 生物医学工程 生物医学工程
• 机器学习 机器学习
• 公共卫生 公共卫生

背景情况:

• 久坐不动行为 (SB) 是一个重要的全球健康问题,需要精确的身体活动 (PA) 强度监测.
• 传统的机器学习 (ML) 模型面临着在不同的人群,传感器和活动中进行概括的挑战,这会影响现实世界的准确性.

研究的目的:

• 引入XNet,一个双域深度学习 (DL) 模型,旨在准确地进行PA强度分类和能源支出估计.
• 提高PA监控系统的普遍性和稳定性.

主要方法:

• 开发了一个分层的多头DL架构 (XNet),可以从多个传感器中提取时间和频率特征.
• 实施了两阶段的注意力特征融合 (AFF) 模块,用于集成传感器和特定领域特征.
• 在多个公共数据集和包括105名参与者的新数据集上验证了XNet.

主要成果:

• 在交叉数据集评估中,XNet获得了70.5的F1分,在开放场景中获得了77.0分,超过了现有的DL和ML基线.
• 证明了强大的静止检测,88%的真实阳性率 (TPR).
• 展示了轻量级1D卷积光谱编码器与变压器和GAT网络相比,提供了优越的分布外通用化.

结论:

• XNet的层次方法和AFF模块为PA强度监测提供了卓越的准确性,效率和稳定性.
• 该模型对生理信号的适应性和低推断延迟 (~25毫秒) 支持在设备上部署.
• 可解释的注意力权重和视觉分析框架促进了健康监测的透明度和专家审计.