基于生活日志数据预测人体身体活动状态的混合模型
计算机与社会
2019-12-13 v2 机器学习
神经与进化计算
摘要
近期医疗健康转型的一个趋势是鼓励人们基于日常饮食和身体活动习惯来监测和管理自身健康。然而，运筹与分析模型在医疗健康中的应用大多关注国家或区域政策制定或组织问题等系统层面。本文提出一种关注个体层面医疗健康分析的模型，该模型可从可穿戴传感器采集的序列生活日志数据中预测人体身体活动状态。该模型具有两阶段混合结构（简称 MOGP-HMM）：第一阶段采用多目标遗传编程（MOGP）算法对生活日志数据进行降维，第二阶段采用隐马尔可夫模型（HMM）随时间进行活动状态预测。它可用作决策支持工具，为个体提供实时监测、统计分析和个性化建议，从而鼓励积极健康的生活方式。我们使用从英国一组参与者收集的真实数据对模型进行验证，并与其他流行的两阶段混合模型进行比较。实验结果表明 MOGP-HMM 可达到相当的性能。据我们所知，这是首项在混合两阶段结构中利用 MOGP 进行个体活动状态预测的研究。它无缝契合英国医疗健康转型中患者赋权的当前趋势，并有助于更高效、更具成本效益的医疗供给的战略发展。
引用
@article{arxiv.1905.10891,
title = {A hybrid model for predicting human physical activity status from lifelogging data},
author = {Ji Ni and Bowei Chen and Nigel M. Allinson and Xujiong Ye},
journal= {arXiv preprint arXiv:1905.10891},
year = {2019}
}