机器学习方法的应用,根据生活记录数据对人类活动水平进行分类.

科学领域:

• 生物医学工程 生物医学工程
• 医疗信息学 医疗信息学
• 机器学习 机器学习

背景情况:

• 可穿戴设备产生了广泛的患者生命记录数据,包括生理指标.
• 准确地分类人类活动水平对于个性化医疗保健和监测至关重要.

研究的目的:

• 开发和评估用于分类人类活动水平的机器学习模型.
• 利用可穿戴设备的患者生命记录数据进行活动识别.

主要方法:

• 在两个月内从182名患者收集了心率,步数和卡路里消耗数据.
• 预处理的集成时间序列可穿戴数据 (80%的培训,20%的测试).
• 通过5倍交叉验证和参数优化评估了16个算法 (12个传统的ML,4个深度学习).

主要成果:

• 机器学习模型在分类人类活动水平方面取得了高准确性.
• 使用心率和步数数据的分类性能特别强.
• 优化模型在新患者数据上显示出有效性.

结论:

• 使用可穿戴传感器数据,人类活动水平的分类是可行的和准确的.
• 机器学习,特别是心率和步数,为患者活动监测提供了强大的方法.
• 这个模型在远程患者护理和健康管理方面有潜在的应用.